Low-res two-view results

This table lists the benchmark results for the low-res two-view scenario. This benchmark evaluates the Middlebury stereo metrics (for all metrics, smaller is better):

bad 0.5, 1.0, 2.0, 4.0 [%]: Fraction of pixels with errors larger than the given number of disparities.
Average error [px]: The per-pixel average disparity error.
Root mean square error [px]: The per-pixel root mean square disparity error.
50%, 90%, 95%, 99% error quantile [px]: The highest disparity error within the given percentage of best pixels (for 50%, this is the median error).
Time [s]: The runtime of the method.

The mask determines whether the metric is evaluated for all pixels with ground truth, or only for pixels which are visible in both images (non-occluded).
The coverage selector allows to limit the table to results for all pixels (dense), or a given minimum fraction of pixels.

Methods with suffix _ROB may participate in the Robust Vision Challenge.

Click one or more dataset result cells or column headers to show visualizations. Most visualizations are only available for training datasets. The visualizations may not work with mobile browsers.

Method	all	lakes. 1l	lakes. 1s	sand box 1l	sand box 1s	stora. room 1l	stora. room 1s	stora. room 2l	stora. room 2s	stora. room 2 1l	stora. room 2 1s	stora. room 2 2l	stora. room 2 2s	stora. room 3l	stora. room 3s	tunnel 1l	tunnel 1s	tunnel 2l	tunnel 2s	tunnel 3l	tunnel 3s

MLG-Stereo_test2	0.06 1	0.04 1	0.10 108	0.15 70	0.05 1	0.07 28	0.11 46	0.09 11	0.04 2	0.06 9	0.05 7	0.06 16	0.04 1	0.08 15	0.09 54	0.06 114	0.04 21	0.05 23	0.03 1	0.05 100	0.05 121

MLG-Stereo_test1	0.06 1	0.05 17	0.08 30	0.17 216	0.05 1	0.06 8	0.11 46	0.08 4	0.03 1	0.05 1	0.04 1	0.06 16	0.05 11	0.09 33	0.09 54	0.05 27	0.04 21	0.05 23	0.03 1	0.04 15	0.04 40

FoundationStereo	0.06 1	0.04 1	0.08 30	0.12 4	0.05 1	0.09 80	0.13 104	0.06 1	0.09 23	0.05 1	0.05 7	0.06 16	0.04 1	0.06 1	0.07 1	0.06 114	0.04 21	0.05 23	0.03 1	0.05 100	0.04 40

AdaDepth	0.07 4	0.06 56	0.07 6	0.18 298	0.06 13	0.11 172	0.12 63	0.09 11	0.07 8	0.06 9	0.05 7	0.07 62	0.06 36	0.09 33	0.10 123	0.04 11	0.05 182	0.05 23	0.04 34	0.04 15	0.04 40

asda	0.07 4	0.08 236	0.08 30	0.16 142	0.06 13	0.06 8	0.10 27	0.16 132	0.10 36	0.06 9	0.06 13	0.05 1	0.05 11	0.10 61	0.10 123	0.03 1	0.03 1	0.04 1	0.03 1	0.04 15	0.03 1

asd	0.07 4	0.08 236	0.07 6	0.16 142	0.07 71	0.08 51	0.08 7	0.11 28	0.08 12	0.07 30	0.07 37	0.06 16	0.06 36	0.10 61	0.09 54	0.03 1	0.03 1	0.04 1	0.04 34	0.04 15	0.03 1

qwe	0.07 4	0.08 236	0.07 6	0.15 70	0.06 13	0.07 28	0.10 27	0.18 197	0.11 62	0.07 30	0.07 37	0.06 16	0.06 36	0.10 61	0.09 54	0.03 1	0.03 1	0.04 1	0.04 34	0.04 15	0.03 1

2.25w	0.07 4	0.06 56	0.07 6	0.14 30	0.06 13	0.08 51	0.08 7	0.10 17	0.15 159	0.08 62	0.10 117	0.07 62	0.06 36	0.08 15	0.10 123	0.05 27	0.03 1	0.04 1	0.04 34	0.03 1	0.04 40

4.25_new	0.07 4	0.08 236	0.09 72	0.15 70	0.06 13	0.09 80	0.08 7	0.14 75	0.08 12	0.07 30	0.07 37	0.06 16	0.06 36	0.12 189	0.10 123	0.03 1	0.03 1	0.04 1	0.03 1	0.04 15	0.03 1

4.5w_new	0.07 4	0.08 236	0.09 72	0.15 70	0.06 13	0.09 80	0.08 7	0.14 75	0.08 12	0.07 30	0.07 37	0.06 16	0.06 36	0.12 189	0.10 123	0.03 1	0.03 1	0.04 1	0.03 1	0.04 15	0.03 1

4.5_new	0.07 4	0.09 312	0.08 30	0.15 70	0.07 71	0.06 8	0.10 27	0.14 75	0.11 62	0.06 9	0.08 70	0.06 16	0.06 36	0.08 15	0.10 123	0.03 1	0.03 1	0.04 1	0.04 34	0.04 15	0.03 1

4.5w-stereo	0.07 4	0.09 312	0.08 30	0.15 70	0.07 71	0.06 8	0.10 27	0.14 75	0.11 62	0.06 9	0.08 70	0.06 16	0.06 36	0.08 15	0.10 123	0.03 1	0.03 1	0.04 1	0.04 34	0.04 15	0.03 1

4.25w-stereo	0.07 4	0.08 236	0.09 72	0.15 70	0.06 13	0.09 80	0.08 7	0.14 75	0.08 12	0.07 30	0.07 37	0.06 16	0.06 36	0.12 189	0.10 123	0.03 1	0.03 1	0.04 1	0.03 1	0.04 15	0.03 1

4w-stereo	0.07 4	0.08 236	0.08 30	0.16 142	0.06 13	0.07 28	0.08 7	0.12 43	0.08 12	0.07 30	0.07 37	0.05 1	0.06 36	0.09 33	0.10 123	0.03 1	0.03 1	0.04 1	0.04 34	0.04 15	0.03 1

2.5w	0.07 4	0.07 139	0.07 6	0.16 142	0.06 13	0.08 51	0.12 63	0.10 17	0.10 36	0.07 30	0.06 13	0.09 123	0.06 36	0.08 15	0.09 54	0.04 11	0.03 1	0.04 1	0.04 34	0.03 1	0.03 1

2.75w_new	0.07 4	0.07 139	0.07 6	0.13 13	0.06 13	0.08 51	0.08 7	0.18 197	0.12 88	0.07 30	0.08 70	0.06 16	0.06 36	0.09 33	0.11 187	0.04 11	0.04 21	0.04 1	0.03 1	0.03 1	0.04 40

3.25w_new	0.07 4	0.06 56	0.07 6	0.15 70	0.06 13	0.10 127	0.07 3	0.12 43	0.11 62	0.08 62	0.06 13	0.07 62	0.06 36	0.11 107	0.09 54	0.04 11	0.03 1	0.04 1	0.03 1	0.03 1	0.03 1

3.25w	0.07 4	0.06 56	0.07 6	0.15 70	0.06 13	0.10 127	0.07 3	0.12 43	0.11 62	0.08 62	0.06 13	0.07 62	0.06 36	0.11 107	0.09 54	0.04 11	0.03 1	0.04 1	0.03 1	0.03 1	0.03 1

3.75w	0.07 4	0.07 139	0.08 30	0.16 142	0.07 71	0.07 28	0.09 18	0.16 132	0.09 23	0.07 30	0.06 13	0.05 1	0.06 36	0.09 33	0.10 123	0.04 11	0.03 1	0.04 1	0.03 1	0.03 1	0.03 1

3.5w_stereo	0.07 4	0.07 139	0.07 6	0.15 70	0.07 71	0.09 80	0.06 1	0.13 59	0.11 62	0.07 30	0.07 37	0.06 16	0.07 106	0.10 61	0.09 54	0.04 11	0.03 1	0.04 1	0.03 1	0.03 1	0.03 1

1w_stereo	0.07 4	0.06 56	0.07 6	0.16 142	0.06 13	0.07 28	0.10 27	0.14 75	0.14 143	0.07 30	0.08 70	0.05 1	0.06 36	0.09 33	0.09 54	0.04 11	0.03 1	0.04 1	0.03 1	0.03 1	0.04 40

monsterstereo	0.07 4	0.06 56	0.06 2	0.16 142	0.06 13	0.08 51	0.10 27	0.16 132	0.11 62	0.07 30	0.08 70	0.06 16	0.07 106	0.08 15	0.09 54	0.04 11	0.04 21	0.05 23	0.04 34	0.03 1	0.03 1

monsters	0.07 4	0.06 56	0.06 2	0.15 70	0.06 13	0.08 51	0.09 18	0.12 43	0.08 12	0.09 92	0.07 37	0.06 16	0.06 36	0.08 15	0.08 17	0.05 27	0.04 21	0.04 1	0.04 34	0.03 1	0.03 1

IGEV	0.07 4	0.04 1	0.08 30	0.13 13	0.06 13	0.09 80	0.12 63	0.14 75	0.10 36	0.06 9	0.09 88	0.07 62	0.05 11	0.09 33	0.09 54	0.06 114	0.04 21	0.05 23	0.04 34	0.05 100	0.04 40

111111	0.07 4	0.04 1	0.09 72	0.17 216	0.06 13	0.05 4	0.10 27	0.11 28	0.09 23	0.06 9	0.06 13	0.07 62	0.05 11	0.09 33	0.09 54	0.06 114	0.04 21	0.05 23	0.04 34	0.07 258	0.06 199

LG-Stereo_L2	0.07 4	0.05 17	0.10 108	0.14 30	0.06 13	0.07 28	0.12 63	0.09 11	0.09 23	0.06 9	0.04 1	0.05 1	0.05 11	0.08 15	0.08 17	0.05 27	0.04 21	0.05 23	0.03 1	0.04 15	0.03 1

LG-Stereo_L1	0.07 4	0.05 17	0.11 149	0.14 30	0.06 13	0.07 28	0.13 104	0.09 11	0.07 8	0.05 1	0.04 1	0.05 1	0.04 1	0.08 15	0.07 1	0.05 27	0.04 21	0.05 23	0.03 1	0.04 15	0.04 40

MLG-Stereo_test3	0.07 4	0.05 17	0.10 108	0.14 30	0.06 13	0.07 28	0.11 46	0.08 4	0.06 4	0.06 9	0.04 1	0.06 16	0.06 36	0.07 4	0.10 123	0.06 114	0.04 21	0.05 23	0.04 34	0.05 100	0.06 199

MLG-Stereo	0.07 4	0.05 17	0.08 30	0.17 216	0.05 1	0.07 28	0.11 46	0.08 4	0.04 2	0.05 1	0.04 1	0.06 16	0.05 11	0.10 61	0.09 54	0.05 27	0.04 21	0.05 23	0.03 1	0.04 15	0.04 40

LG-G_1	0.07 4	0.04 1	0.11 149	0.15 70	0.06 13	0.09 80	0.08 7	0.08 4	0.06 4	0.06 9	0.05 7	0.07 62	0.07 106	0.11 107	0.08 17	0.07 239	0.04 21	0.05 23	0.04 34	0.05 100	0.05 121

LG-G	0.07 4	0.04 1	0.11 149	0.15 70	0.06 13	0.09 80	0.08 7	0.08 4	0.06 4	0.06 9	0.05 7	0.07 62	0.07 106	0.11 107	0.08 17	0.07 239	0.04 21	0.05 23	0.04 34	0.05 100	0.05 121

LGtest1	0.07 4	0.04 1	0.10 108	0.15 70	0.06 13	0.07 28	0.09 18	0.08 4	0.06 4	0.05 1	0.04 1	0.06 16	0.06 36	0.10 61	0.09 54	0.07 239	0.04 21	0.05 23	0.04 34	0.06 192	0.06 199

LG-Stereo_Zeroshot	0.07 4	0.06 56	0.10 108	0.16 142	0.07 71	0.04 1	0.13 104	0.10 17	0.10 36	0.05 1	0.11 147	0.07 62	0.05 11	0.07 4	0.09 54	0.06 114	0.04 21	0.05 23	0.04 34	0.05 100	0.04 40

GREAT-IGEV	0.07 4	0.06 56	0.08 30	0.13 13	0.07 71	0.07 28	0.14 152	0.09 11	0.09 23	0.06 9	0.07 37	0.06 16	0.05 11	0.10 61	0.07 1	0.05 27	0.04 21	0.05 23	0.04 34	0.05 100	0.04 40

StereoAnything_RVC	0.07 4	0.15 465	0.17 377	0.11 1	0.05 1	0.05 4	0.11 46	0.08 4	0.08 12	0.06 9	0.06 13	0.05 1	0.05 11	0.09 33	0.08 17	0.08 300	0.04 21	0.05 23	0.03 1	0.05 100	0.04 40

AIO_rvc	0.07 4	0.06 56	0.08 30	0.15 70	0.06 13	0.08 51	0.14 152	0.09 11	0.08 12	0.07 30	0.08 70	0.07 62	0.04 1	0.10 61	0.08 17	0.05 27	0.04 21	0.05 23	0.04 34	0.04 15	0.03 1

AIO_test	0.07 4	0.05 17	0.07 6	0.15 70	0.07 71	0.06 8	0.14 152	0.10 17	0.10 36	0.07 30	0.07 37	0.06 16	0.05 11	0.08 15	0.10 123	0.05 27	0.04 21	0.05 23	0.04 34	0.04 15	0.03 1

MonSter	0.07 4	0.06 56	0.05 1	0.15 70	0.05 1	0.07 28	0.10 27	0.15 106	0.15 159	0.05 1	0.06 13	0.05 1	0.06 36	0.07 4	0.09 54	0.04 11	0.03 1	0.04 1	0.03 1	0.03 1	0.03 1

DEFOM-Stereo	0.07 4	0.05 17	0.07 6	0.14 30	0.06 13	0.10 127	0.13 104	0.07 2	0.13 119	0.06 9	0.07 37	0.06 16	0.05 11	0.10 61	0.09 54	0.04 11	0.04 21	0.05 23	0.03 1	0.04 15	0.04 40

dual_stereo	0.07 4	0.04 1	0.08 30	0.15 70	0.05 1	0.05 4	0.13 104	0.12 43	0.08 12	0.07 30	0.06 13	0.05 1	0.05 11	0.07 4	0.09 54	0.06 114	0.04 21	0.05 23	0.03 1	0.04 15	0.04 40

IGEV-Stereo++	0.07 4	0.06 56	0.08 30	0.18 298	0.06 13	0.04 1	0.10 27	0.11 28	0.11 62	0.06 9	0.07 37	0.07 62	0.06 36	0.09 33	0.09 54	0.05 27	0.04 21	0.05 23	0.04 34	0.05 100	0.04 40

IGEV-Stereo+	0.07 4	0.04 1	0.08 30	0.15 70	0.06 13	0.04 1	0.09 18	0.10 17	0.09 23	0.06 9	0.06 13	0.06 16	0.06 36	0.06 1	0.08 17	0.06 114	0.04 21	0.05 23	0.04 34	0.06 192	0.06 199

Selective-IGEV	0.07 4	0.06 56	0.08 30	0.17 216	0.06 13	0.08 51	0.12 63	0.13 59	0.07 8	0.08 62	0.07 37	0.06 16	0.04 1	0.10 61	0.09 54	0.05 27	0.04 21	0.05 23	0.04 34	0.04 15	0.03 1

GASTEREO	0.08 44	0.05 17	0.09 72	0.19 355	0.07 71	0.07 28	0.12 63	0.14 75	0.11 62	0.10 125	0.09 88	0.07 62	0.04 1	0.12 189	0.08 17	0.06 114	0.05 182	0.05 23	0.04 34	0.04 15	0.05 121

MSCF	0.08 44	0.05 17	0.08 30	0.19 355	0.08 127	0.06 8	0.12 63	0.14 75	0.11 62	0.10 125	0.09 88	0.07 62	0.04 1	0.11 107	0.08 17	0.06 114	0.05 182	0.05 23	0.04 34	0.05 100	0.05 121

S2M2_XL	0.08 44	0.06 56	0.12 184	0.12 4	0.08 127	0.09 80	0.09 18	0.07 2	0.07 8	0.08 62	0.07 37	0.07 62	0.06 36	0.09 33	0.09 54	0.08 300	0.06 307	0.07 194	0.05 107	0.08 321	0.06 199

3w_stereo	0.08 44	0.09 312	0.10 108	0.17 216	0.07 71	0.08 51	0.10 27	0.20 229	0.13 119	0.06 9	0.07 37	0.05 1	0.06 36	0.08 15	0.09 54	0.03 1	0.03 1	0.04 1	0.03 1	0.04 15	0.03 1

2w_stereo	0.08 44	0.08 236	0.09 72	0.16 142	0.06 13	0.08 51	0.10 27	0.20 229	0.15 159	0.08 62	0.07 37	0.06 16	0.06 36	0.06 1	0.09 54	0.04 11	0.03 1	0.04 1	0.04 34	0.03 1	0.03 1

LG-Stereo	0.08 44	0.07 139	0.10 108	0.18 298	0.07 71	0.10 127	0.17 318	0.11 28	0.08 12	0.05 1	0.07 37	0.05 1	0.07 106	0.09 33	0.09 54	0.04 11	0.05 182	0.07 194	0.07 272	0.04 15	0.04 40

SGD-Stereo	0.08 44	0.05 17	0.10 108	0.14 30	0.05 1	0.12 207	0.12 63	0.11 28	0.12 88	0.07 30	0.09 88	0.09 123	0.09 167	0.08 15	0.08 17	0.06 114	0.04 21	0.05 23	0.04 34	0.05 100	0.03 1

HART	0.08 44	0.07 139	0.09 72	0.17 216	0.07 71	0.10 127	0.16 284	0.13 59	0.11 62	0.08 62	0.10 117	0.07 62	0.05 11	0.10 61	0.08 17	0.05 27	0.04 21	0.06 102	0.04 34	0.05 100	0.04 40

Reg-Stereo(zero)	0.08 44	0.05 17	0.08 30	0.16 142	0.06 13	0.12 207	0.11 46	0.15 106	0.10 36	0.12 192	0.09 88	0.10 154	0.08 141	0.11 107	0.08 17	0.06 114	0.04 21	0.05 23	0.04 34	0.04 15	0.05 121

SCV_C0	0.08 44	0.07 139	0.07 6	0.16 142	0.09 239	0.08 51	0.15 219	0.11 28	0.12 88	0.08 62	0.07 37	0.06 16	0.05 11	0.11 107	0.07 1	0.05 27	0.05 182	0.05 23	0.04 34	0.06 192	0.05 121

SCV	0.08 44	0.09 312	0.08 30	0.15 70	0.08 127	0.10 127	0.13 104	0.10 17	0.12 88	0.07 30	0.07 37	0.06 16	0.04 1	0.09 33	0.08 17	0.05 27	0.04 21	0.06 102	0.04 34	0.06 192	0.04 40

DEFOM-Stereo_RVC	0.08 44	0.06 56	0.09 72	0.22 454	0.06 13	0.08 51	0.12 63	0.10 17	0.10 36	0.07 30	0.07 37	0.06 16	0.05 11	0.11 107	0.09 54	0.06 114	0.04 21	0.05 23	0.03 1	0.06 192	0.04 40

HUF	0.08 44	0.05 17	0.08 30	0.14 30	0.06 13	0.09 80	0.13 104	0.13 59	0.13 119	0.07 30	0.07 37	0.08 98	0.06 36	0.10 61	0.09 54	0.06 114	0.04 21	0.05 23	0.04 34	0.05 100	0.04 40

castereo++	0.08 44	0.05 17	0.08 30	0.15 70	0.05 1	0.14 278	0.12 63	0.11 28	0.15 159	0.07 30	0.07 37	0.07 62	0.06 36	0.08 15	0.08 17	0.06 114	0.04 21	0.05 23	0.04 34	0.04 15	0.03 1

IGEV-RUCA	0.08 44	0.06 56	0.11 149	0.14 30	0.09 239	0.10 127	0.12 63	0.10 17	0.12 88	0.06 9	0.07 37	0.07 62	0.06 36	0.09 33	0.08 17	0.06 114	0.05 182	0.05 23	0.04 34	0.05 100	0.06 199

GIP-stereo	0.08 44	0.06 56	0.11 149	0.14 30	0.06 13	0.09 80	0.13 104	0.14 75	0.11 62	0.07 30	0.08 70	0.05 1	0.04 1	0.10 61	0.07 1	0.05 27	0.04 21	0.05 23	0.04 34	0.05 100	0.04 40

SMoEStereo_RVC	0.08 44	0.06 56	0.12 184	0.16 142	0.07 71	0.09 80	0.14 152	0.11 28	0.13 119	0.09 92	0.07 37	0.07 62	0.07 106	0.12 189	0.10 123	0.05 27	0.04 21	0.06 102	0.05 107	0.04 15	0.04 40

WCG-NET	0.08 44	0.05 17	0.09 72	0.15 70	0.06 13	0.11 172	0.14 152	0.13 59	0.13 119	0.06 9	0.09 88	0.07 62	0.06 36	0.13 234	0.08 17	0.05 27	0.04 21	0.05 23	0.04 34	0.04 15	0.03 1

Occ-G	0.08 44	0.05 17	0.06 2	0.14 30	0.07 71	0.08 51	0.14 152	0.13 59	0.15 159	0.07 30	0.11 147	0.07 62	0.05 11	0.09 33	0.10 123	0.06 114	0.05 182	0.05 23	0.04 34	0.05 100	0.05 121

U	0.08 44	0.07 139	0.09 72	0.19 355	0.10 341	0.10 127	0.13 104	0.12 43	0.17 205	0.07 30	0.07 37	0.06 16	0.05 11	0.07 4	0.08 17	0.06 114	0.04 21	0.06 102	0.04 34	0.06 192	0.05 121

AIO-Stereo	0.08 44	0.06 56	0.09 72	0.18 298	0.06 13	0.08 51	0.12 63	0.15 106	0.09 23	0.08 62	0.08 70	0.07 62	0.05 11	0.11 107	0.08 17	0.05 27	0.05 182	0.05 23	0.04 34	0.04 15	0.04 40

WCG-NET（raft）	0.08 44	0.05 17	0.10 108	0.15 70	0.06 13	0.11 172	0.13 104	0.15 106	0.12 88	0.08 62	0.07 37	0.06 16	0.06 36	0.13 234	0.08 17	0.05 27	0.04 21	0.05 23	0.04 34	0.04 15	0.04 40

RSM++	0.08 44	0.06 56	0.09 72	0.17 216	0.07 71	0.09 80	0.12 63	0.11 28	0.11 62	0.08 62	0.06 13	0.07 62	0.05 11	0.10 61	0.09 54	0.04 11	0.04 21	0.06 102	0.05 107	0.05 100	0.03 1

RSM	0.08 44	0.06 56	0.09 72	0.17 216	0.06 13	0.08 51	0.12 63	0.12 43	0.10 36	0.08 62	0.07 37	0.06 16	0.05 11	0.11 107	0.09 54	0.04 11	0.04 21	0.05 23	0.04 34	0.04 15	0.03 1

trnet	0.08 44	0.05 17	0.07 6	0.12 4	0.05 1	0.12 207	0.11 46	0.13 59	0.10 36	0.08 62	0.13 174	0.09 123	0.08 141	0.11 107	0.10 123	0.08 300	0.05 182	0.05 23	0.03 1	0.06 192	0.05 121

MoCha-V2	0.08 44	0.05 17	0.10 108	0.20 410	0.07 71	0.09 80	0.14 152	0.11 28	0.08 12	0.07 30	0.08 70	0.07 62	0.06 36	0.09 33	0.08 17	0.05 27	0.04 21	0.05 23	0.04 34	0.04 15	0.04 40

IGEV++	0.08 44	0.06 56	0.08 30	0.18 298	0.07 71	0.09 80	0.13 104	0.10 17	0.09 23	0.08 62	0.08 70	0.06 16	0.06 36	0.13 234	0.09 54	0.05 27	0.04 21	0.05 23	0.04 34	0.05 100	0.04 40

testlalala	0.08 44	0.07 139	0.17 377	0.16 142	0.08 127	0.09 80	0.12 63	0.15 106	0.10 36	0.07 30	0.09 88	0.06 16	0.06 36	0.11 107	0.09 54	0.05 27	0.04 21	0.06 102	0.04 34	0.04 15	0.04 40

AEACV	0.08 44	0.05 17	0.08 30	0.14 30	0.13 443	0.14 278	0.13 104	0.14 75	0.09 23	0.07 30	0.09 88	0.07 62	0.08 141	0.10 61	0.09 54	0.06 114	0.04 21	0.06 102	0.05 107	0.05 100	0.04 40

LoS_RVC	0.08 44	0.05 17	0.07 6	0.15 70	0.07 71	0.08 51	0.15 219	0.11 28	0.10 36	0.08 62	0.09 88	0.06 16	0.09 167	0.10 61	0.09 54	0.05 27	0.04 21	0.05 23	0.03 1	0.04 15	0.03 1

CAS	0.08 44	0.04 1	0.07 6	0.17 216	0.08 127	0.10 127	0.13 104	0.12 43	0.09 23	0.09 92	0.10 117	0.08 98	0.06 36	0.09 33	0.08 17	0.08 300	0.04 21	0.05 23	0.03 1	0.05 100	0.04 40

CES	0.08 44	0.04 1	0.08 30	0.14 30	0.07 71	0.09 80	0.14 152	0.11 28	0.09 23	0.08 62	0.09 88	0.11 175	0.06 36	0.12 189	0.08 17	0.06 114	0.04 21	0.05 23	0.03 1	0.05 100	0.05 121

EGLCR-Stereo	0.08 44	0.05 17	0.08 30	0.14 30	0.06 13	0.10 127	0.12 63	0.11 28	0.16 186	0.06 9	0.05 7	0.07 62	0.05 11	0.10 61	0.11 187	0.06 114	0.04 21	0.06 102	0.05 107	0.04 15	0.04 40

MC-Stereo	0.08 44	0.06 56	0.09 72	0.17 216	0.06 13	0.10 127	0.14 152	0.12 43	0.10 36	0.09 92	0.12 160	0.09 123	0.06 36	0.11 107	0.10 123	0.06 114	0.04 21	0.06 102	0.05 107	0.04 15	0.04 40

test-3	0.08 44	0.06 56	0.09 72	0.17 216	0.07 71	0.07 28	0.14 152	0.12 43	0.15 159	0.09 92	0.08 70	0.07 62	0.08 141	0.11 107	0.10 123	0.05 27	0.04 21	0.07 194	0.05 107	0.04 15	0.04 40

test_1	0.08 44	0.06 56	0.09 72	0.17 216	0.07 71	0.07 28	0.14 152	0.12 43	0.15 159	0.09 92	0.08 70	0.07 62	0.08 141	0.11 107	0.10 123	0.05 27	0.04 21	0.07 194	0.05 107	0.04 15	0.04 40

CREStereo++_RVC	0.08 44	0.04 1	0.06 2	0.13 13	0.07 71	0.09 80	0.12 63	0.14 75	0.14 143	0.10 125	0.14 188	0.08 98	0.07 106	0.09 33	0.11 187	0.06 114	0.04 21	0.05 23	0.05 107	0.04 15	0.04 40
Junpeng Jing, Jiankun Li, Pengfei Xiong, Jiangyu Liu, Shuaicheng Liu, Yichen Guo, Xin Deng, Mai Xu, Lai Jiang, Leonid Sigal: Uncertainty Guided Adaptive Warping for Robust and Efficient Stereo Matching. ICCV2023
water-stereo	0.09 81	0.06 56	0.08 30	0.16 142	0.07 71	0.09 80	0.13 104	0.15 106	0.13 119	0.11 154	0.12 160	0.08 98	0.09 167	0.07 4	0.08 17	0.06 114	0.05 182	0.05 23	0.05 107	0.04 15	0.04 40

depthmonostereo	0.09 81	0.06 56	0.09 72	0.15 70	0.06 13	0.10 127	0.13 104	0.14 75	0.14 143	0.10 125	0.10 117	0.09 123	0.11 224	0.08 15	0.09 54	0.06 114	0.05 182	0.06 102	0.04 34	0.04 15	0.03 1

DilatedVolume-Stereo	0.09 81	0.05 17	0.08 30	0.15 70	0.06 13	0.11 172	0.12 63	0.14 75	0.16 186	0.11 154	0.11 147	0.09 123	0.09 167	0.11 107	0.10 123	0.06 114	0.05 182	0.05 23	0.04 34	0.03 1	0.03 1

S2M2	0.09 81	0.08 236	0.11 149	0.13 13	0.10 341	0.08 51	0.06 1	0.10 17	0.10 36	0.10 125	0.09 88	0.10 154	0.09 167	0.11 107	0.11 187	0.13 477	0.07 379	0.08 278	0.09 383	0.10 414	0.08 343

MM-Stereo_test2	0.09 81	0.06 56	0.09 72	0.19 355	0.08 127	0.12 207	0.18 363	0.15 106	0.14 143	0.07 30	0.10 117	0.07 62	0.06 36	0.12 189	0.09 54	0.05 27	0.04 21	0.06 102	0.05 107	0.05 100	0.03 1

castereo	0.09 81	0.06 56	0.11 149	0.15 70	0.06 13	0.11 172	0.15 219	0.14 75	0.18 231	0.08 62	0.10 117	0.11 175	0.08 141	0.09 33	0.10 123	0.05 27	0.04 21	0.05 23	0.04 34	0.04 15	0.03 1

fffft	0.09 81	0.06 56	0.12 184	0.16 142	0.07 71	0.09 80	0.17 318	0.12 43	0.11 62	0.08 62	0.07 37	0.09 123	0.06 36	0.11 107	0.12 236	0.05 27	0.04 21	0.06 102	0.05 107	0.04 15	0.05 121
1: 1. 1
tt45	0.09 81	0.06 56	0.11 149	0.15 70	0.07 71	0.11 172	0.16 284	0.13 59	0.11 62	0.09 92	0.06 13	0.08 98	0.06 36	0.13 234	0.10 123	0.06 114	0.04 21	0.06 102	0.05 107	0.05 100	0.06 199

999	0.09 81	0.05 17	0.13 229	0.15 70	0.08 127	0.10 127	0.14 152	0.15 106	0.11 62	0.10 125	0.08 70	0.08 98	0.08 141	0.16 316	0.10 123	0.06 114	0.04 21	0.06 102	0.05 107	0.04 15	0.05 121

mms	0.09 81	0.07 139	0.08 30	0.16 142	0.08 127	0.10 127	0.16 284	0.12 43	0.11 62	0.08 62	0.09 88	0.08 98	0.06 36	0.11 107	0.12 236	0.05 27	0.04 21	0.07 194	0.05 107	0.04 15	0.03 1

ours_stereo	0.09 81	0.07 139	0.09 72	0.17 216	0.08 127	0.11 172	0.16 284	0.11 28	0.12 88	0.08 62	0.10 117	0.08 98	0.06 36	0.12 189	0.12 236	0.05 27	0.04 21	0.06 102	0.05 107	0.04 15	0.03 1

fffy	0.09 81	0.08 236	0.09 72	0.16 142	0.07 71	0.13 246	0.17 318	0.13 59	0.12 88	0.08 62	0.09 88	0.08 98	0.09 167	0.13 234	0.11 187	0.05 27	0.05 182	0.07 194	0.05 107	0.04 15	0.05 121

PAM_32	0.09 81	0.05 17	0.17 377	0.15 70	0.08 127	0.10 127	0.15 219	0.14 75	0.15 159	0.09 92	0.08 70	0.09 123	0.07 106	0.14 260	0.08 17	0.06 114	0.05 182	0.06 102	0.06 185	0.05 100	0.06 199

UGAM-zero	0.09 81	0.05 17	0.15 315	0.15 70	0.08 127	0.09 80	0.13 104	0.19 218	0.15 159	0.11 154	0.15 205	0.07 62	0.07 106	0.09 33	0.09 54	0.06 114	0.05 182	0.06 102	0.05 107	0.05 100	0.06 199

GCAP-BAT	0.09 81	0.07 139	0.14 264	0.15 70	0.08 127	0.10 127	0.13 104	0.14 75	0.10 36	0.11 154	0.10 117	0.08 98	0.07 106	0.12 189	0.10 123	0.06 114	0.05 182	0.06 102	0.04 34	0.04 15	0.04 40

Pointernet	0.09 81	0.04 1	0.09 72	0.16 142	0.08 127	0.13 246	0.10 27	0.15 106	0.17 205	0.09 92	0.07 37	0.06 16	0.06 36	0.11 107	0.09 54	0.08 300	0.04 21	0.05 23	0.03 1	0.06 192	0.05 121

IGEV-BASED-STEREO-	0.09 81	0.10 370	0.31 483	0.15 70	0.06 13	0.08 51	0.14 152	0.10 17	0.10 36	0.07 30	0.07 37	0.06 16	0.04 1	0.11 107	0.07 1	0.12 454	0.04 21	0.07 194	0.05 107	0.05 100	0.05 121

RAFT-Stereo-weight	0.09 81	0.06 56	0.10 108	0.16 142	0.07 71	0.09 80	0.14 152	0.19 218	0.16 186	0.11 154	0.10 117	0.08 98	0.06 36	0.10 61	0.11 187	0.06 114	0.04 21	0.06 102	0.04 34	0.04 15	0.04 40

gcap-zeroshot	0.09 81	0.05 17	0.10 108	0.16 142	0.07 71	0.13 246	0.13 104	0.11 28	0.12 88	0.13 219	0.12 160	0.09 123	0.08 141	0.09 33	0.09 54	0.06 114	0.05 182	0.06 102	0.05 107	0.04 15	0.04 40

test_for_model	0.09 81	0.12 414	0.14 264	0.23 475	0.11 389	0.08 51	0.13 104	0.12 43	0.12 88	0.10 125	0.07 37	0.07 62	0.06 36	0.11 107	0.10 123	0.06 114	0.05 182	0.05 23	0.03 1	0.07 258	0.04 40

MGS-Stereo	0.09 81	0.07 139	0.12 184	0.15 70	0.08 127	0.09 80	0.15 219	0.12 43	0.12 88	0.07 30	0.10 117	0.08 98	0.06 36	0.10 61	0.09 54	0.05 27	0.04 21	0.06 102	0.05 107	0.06 192	0.05 121

ff7	0.09 81	0.07 139	0.11 149	0.16 142	0.09 239	0.11 172	0.15 219	0.16 132	0.12 88	0.10 125	0.06 13	0.06 16	0.06 36	0.11 107	0.09 54	0.05 27	0.04 21	0.06 102	0.05 107	0.05 100	0.06 199

IGEVStereo-DCA	0.09 81	0.06 56	0.11 149	0.15 70	0.10 341	0.11 172	0.15 219	0.16 132	0.12 88	0.10 125	0.06 13	0.08 98	0.06 36	0.10 61	0.08 17	0.06 114	0.05 182	0.06 102	0.05 107	0.05 100	0.06 199

ffff	0.09 81	0.07 139	0.11 149	0.16 142	0.09 239	0.11 172	0.15 219	0.16 132	0.12 88	0.10 125	0.06 13	0.06 16	0.06 36	0.11 107	0.09 54	0.05 27	0.04 21	0.06 102	0.05 107	0.05 100	0.06 199

rrr	0.09 81	0.06 56	0.12 184	0.15 70	0.10 341	0.11 172	0.16 284	0.16 132	0.15 159	0.10 125	0.06 13	0.08 98	0.06 36	0.10 61	0.08 17	0.06 114	0.05 182	0.06 102	0.05 107	0.05 100	0.06 199

11t	0.09 81	0.07 139	0.11 149	0.16 142	0.09 239	0.11 172	0.15 219	0.16 132	0.12 88	0.10 125	0.06 13	0.06 16	0.06 36	0.11 107	0.09 54	0.05 27	0.04 21	0.06 102	0.05 107	0.05 100	0.06 199

MaDis-Stereo	0.09 81	0.09 312	0.08 30	0.17 216	0.09 239	0.13 246	0.10 27	0.16 132	0.16 186	0.09 92	0.11 147	0.06 16	0.06 36	0.09 33	0.13 277	0.07 239	0.06 307	0.07 194	0.05 107	0.05 100	0.04 40

IGEV_Zeroshot_test	0.09 81	0.05 17	0.12 184	0.13 13	0.08 127	0.12 207	0.13 104	0.17 168	0.11 62	0.10 125	0.06 13	0.09 123	0.06 36	0.11 107	0.09 54	0.06 114	0.04 21	0.06 102	0.06 185	0.05 100	0.05 121

MSKI-zero shot	0.09 81	0.05 17	0.09 72	0.15 70	0.07 71	0.10 127	0.13 104	0.14 75	0.13 119	0.09 92	0.09 88	0.09 123	0.06 36	0.12 189	0.10 123	0.06 114	0.04 21	0.05 23	0.04 34	0.04 15	0.04 40

UniTT-Stereo	0.09 81	0.07 139	0.08 30	0.18 298	0.08 127	0.13 246	0.11 46	0.12 43	0.11 62	0.10 125	0.12 160	0.05 1	0.07 106	0.09 33	0.09 54	0.07 239	0.05 182	0.05 23	0.05 107	0.05 100	0.05 121

MIM_Stereo	0.09 81	0.07 139	0.11 149	0.15 70	0.07 71	0.06 8	0.12 63	0.20 229	0.14 143	0.13 219	0.13 174	0.09 123	0.05 11	0.12 189	0.08 17	0.05 27	0.06 307	0.07 194	0.06 185	0.06 192	0.05 121

CASnet	0.09 81	0.09 312	0.09 72	0.19 355	0.06 13	0.07 28	0.11 46	0.18 197	0.14 143	0.11 154	0.10 117	0.09 123	0.07 106	0.10 61	0.10 123	0.06 114	0.04 21	0.10 407	0.08 337	0.05 100	0.03 1
Junhong Min, Youngpil Jeon: Confidence Aware Stereo Matching for Realistic Cluttered Scenario. ICIP 2024 submissions (1861)
GCAP-Stereo	0.09 81	0.07 139	0.13 229	0.18 298	0.06 13	0.11 172	0.07 3	0.13 59	0.12 88	0.09 92	0.10 117	0.07 62	0.09 167	0.13 234	0.10 123	0.06 114	0.05 182	0.05 23	0.04 34	0.04 15	0.05 121

RAFT-Test	0.09 81	0.06 56	0.10 108	0.15 70	0.07 71	0.11 172	0.15 219	0.16 132	0.13 119	0.09 92	0.10 117	0.10 154	0.09 167	0.12 189	0.09 54	0.06 114	0.04 21	0.05 23	0.04 34	0.04 15	0.05 121

HH	0.09 81	0.06 56	0.13 229	0.17 216	0.08 127	0.10 127	0.16 284	0.14 75	0.10 36	0.08 62	0.09 88	0.08 98	0.07 106	0.10 61	0.09 54	0.06 114	0.04 21	0.06 102	0.05 107	0.05 100	0.04 40

HanStereo	0.09 81	0.06 56	0.13 229	0.17 216	0.08 127	0.10 127	0.16 284	0.14 75	0.10 36	0.08 62	0.09 88	0.08 98	0.07 106	0.10 61	0.09 54	0.06 114	0.04 21	0.06 102	0.05 107	0.05 100	0.04 40

4D-IteraStereo	0.09 81	0.07 139	0.10 108	0.18 298	0.07 71	0.09 80	0.15 219	0.17 168	0.15 159	0.10 125	0.11 147	0.10 154	0.07 106	0.11 107	0.09 54	0.05 27	0.03 1	0.08 278	0.07 272	0.06 192	0.05 121

anonymousdsp	0.09 81	0.07 139	0.11 149	0.16 142	0.09 239	0.11 172	0.15 219	0.16 132	0.12 88	0.09 92	0.06 13	0.06 16	0.06 36	0.11 107	0.09 54	0.05 27	0.04 21	0.06 102	0.05 107	0.05 100	0.06 199

LoS	0.09 81	0.05 17	0.11 149	0.13 13	0.07 71	0.14 278	0.11 46	0.15 106	0.15 159	0.09 92	0.09 88	0.12 192	0.09 167	0.15 282	0.10 123	0.07 239	0.05 182	0.05 23	0.03 1	0.05 100	0.05 121
Kunhong Li, Longguang Wang, Ye Zhang, Kaiwen Xue, Shunbo Zhou, Yulan Guo: LoS: Local Structure-guided Stereo Matching.
ProNet	0.09 81	0.07 139	0.10 108	0.17 216	0.08 127	0.10 127	0.15 219	0.15 106	0.12 88	0.09 92	0.06 13	0.07 62	0.06 36	0.11 107	0.09 54	0.05 27	0.04 21	0.06 102	0.05 107	0.04 15	0.06 199

RCA-Stereo	0.09 81	0.06 56	0.09 72	0.16 142	0.06 13	0.09 80	0.13 104	0.18 197	0.14 143	0.09 92	0.10 117	0.08 98	0.07 106	0.12 189	0.11 187	0.06 114	0.04 21	0.06 102	0.05 107	0.05 100	0.04 40

CroCo-Stereo Lap2	0.09 81	0.09 312	0.08 30	0.22 454	0.09 239	0.09 80	0.19 402	0.16 132	0.12 88	0.09 92	0.10 117	0.05 1	0.05 11	0.08 15	0.08 17	0.06 114	0.06 307	0.07 194	0.05 107	0.05 100	0.05 121

ccc-4	0.09 81	0.07 139	0.11 149	0.16 142	0.09 239	0.11 172	0.15 219	0.16 132	0.12 88	0.10 125	0.06 13	0.06 16	0.06 36	0.11 107	0.09 54	0.05 27	0.04 21	0.06 102	0.05 107	0.05 100	0.06 199

IGEV-Stereo	0.09 81	0.07 139	0.11 149	0.16 142	0.09 239	0.11 172	0.15 219	0.16 132	0.12 88	0.09 92	0.06 13	0.06 16	0.06 36	0.11 107	0.09 54	0.05 27	0.04 21	0.06 102	0.05 107	0.05 100	0.06 199
Gangwei Xu, Xianqi Wang, Xiaohuan Ding, Xin Yang: Iterative Geometry Encoding Volume for Stereo Matching. CVPR 2023
iRaft-Stereo_20w	0.09 81	0.05 17	0.13 229	0.14 30	0.08 127	0.12 207	0.15 219	0.18 197	0.10 36	0.11 154	0.08 70	0.08 98	0.05 11	0.10 61	0.09 54	0.06 114	0.04 21	0.06 102	0.05 107	0.06 192	0.05 121

TRStereo	0.09 81	0.05 17	0.12 184	0.15 70	0.12 420	0.10 127	0.13 104	0.18 197	0.18 231	0.09 92	0.09 88	0.09 123	0.06 36	0.10 61	0.08 17	0.07 239	0.05 182	0.07 194	0.07 272	0.04 15	0.04 40

AnonymousM	0.09 81	0.05 17	0.10 108	0.14 30	0.06 13	0.09 80	0.13 104	0.19 218	0.14 143	0.13 219	0.11 147	0.09 123	0.08 141	0.13 234	0.10 123	0.08 300	0.05 182	0.08 278	0.05 107	0.05 100	0.05 121

CroCo-Stereo	0.09 81	0.08 236	0.08 30	0.22 454	0.09 239	0.09 80	0.19 402	0.15 106	0.12 88	0.07 30	0.07 37	0.08 98	0.06 36	0.08 15	0.07 1	0.07 239	0.05 182	0.06 102	0.04 34	0.05 100	0.04 40
P.Weinzaepfel, T. Lucas, V. Leroy, Y. Cabon, V. Arora, R. Bregier, G. Csurka, L. Antsfeld, B. Chidlovskii, J. Revaud: CroCo v2: Improved Cross-view Completion Pre-training for Stereo Matching and Optical Flow. ICCV 2023
s12784h	0.09 81	0.06 56	0.07 6	0.15 70	0.05 1	0.16 334	0.18 363	0.15 106	0.15 159	0.10 125	0.11 147	0.11 175	0.11 224	0.10 61	0.12 236	0.05 27	0.04 21	0.05 23	0.04 34	0.04 15	0.04 40

TANstereo	0.09 81	0.04 1	0.08 30	0.13 13	0.06 13	0.11 172	0.14 152	0.15 106	0.19 246	0.11 154	0.15 205	0.10 154	0.06 36	0.12 189	0.09 54	0.07 239	0.05 182	0.05 23	0.04 34	0.06 192	0.05 121

XX-TBD	0.09 81	0.06 56	0.07 6	0.14 30	0.07 71	0.12 207	0.16 284	0.14 75	0.13 119	0.11 154	0.12 160	0.09 123	0.08 141	0.10 61	0.10 123	0.06 114	0.04 21	0.05 23	0.03 1	0.06 192	0.05 121

raftrobust	0.09 81	0.06 56	0.10 108	0.17 216	0.08 127	0.09 80	0.10 27	0.18 197	0.16 186	0.10 125	0.09 88	0.12 192	0.07 106	0.12 189	0.10 123	0.08 300	0.05 182	0.06 102	0.05 107	0.05 100	0.05 121

XX-Stereo	0.09 81	0.05 17	0.08 30	0.17 216	0.09 239	0.15 304	0.12 63	0.20 229	0.10 36	0.10 125	0.14 188	0.07 62	0.06 36	0.12 189	0.08 17	0.06 114	0.05 182	0.06 102	0.06 185	0.04 15	0.04 40

test_xeample3	0.09 81	0.06 56	0.12 184	0.16 142	0.09 239	0.11 172	0.15 219	0.16 132	0.13 119	0.10 125	0.06 13	0.08 98	0.06 36	0.10 61	0.09 54	0.05 27	0.04 21	0.06 102	0.05 107	0.05 100	0.06 199

RAFT-Stereo + iAFF	0.09 81	0.06 56	0.10 108	0.17 216	0.06 13	0.10 127	0.16 284	0.17 168	0.14 143	0.09 92	0.10 117	0.08 98	0.09 167	0.11 107	0.09 54	0.05 27	0.04 21	0.06 102	0.06 185	0.04 15	0.03 1

AFF-stereo	0.09 81	0.06 56	0.10 108	0.17 216	0.07 71	0.10 127	0.16 284	0.17 168	0.09 23	0.10 125	0.12 160	0.09 123	0.09 167	0.12 189	0.09 54	0.05 27	0.04 21	0.07 194	0.07 272	0.04 15	0.03 1

EAI-Stereo	0.09 81	0.07 139	0.11 149	0.15 70	0.06 13	0.10 127	0.15 219	0.16 132	0.09 23	0.08 62	0.09 88	0.08 98	0.07 106	0.09 33	0.11 187	0.05 27	0.04 21	0.05 23	0.05 107	0.05 100	0.04 40

CFNet-RSSM	0.09 81	0.07 139	0.09 72	0.16 142	0.07 71	0.09 80	0.15 219	0.16 132	0.17 205	0.08 62	0.12 160	0.10 154	0.09 167	0.11 107	0.09 54	0.06 114	0.04 21	0.06 102	0.04 34	0.04 15	0.04 40

Gwc-CoAtRS	0.09 81	0.06 56	0.10 108	0.16 142	0.07 71	0.10 127	0.14 152	0.17 168	0.17 205	0.08 62	0.10 117	0.12 192	0.09 167	0.12 189	0.09 54	0.06 114	0.04 21	0.06 102	0.04 34	0.04 15	0.04 40

CREStereo	0.09 81	0.04 1	0.08 30	0.11 1	0.06 13	0.13 246	0.14 152	0.14 75	0.10 36	0.08 62	0.13 174	0.09 123	0.08 141	0.11 107	0.10 123	0.08 300	0.04 21	0.05 23	0.03 1	0.06 192	0.06 199
Jiankun Li, Peisen Wang, Pengfei Xiong, Tao Cai, Ziwei Yan, Lei Yang, Jiangyu Liu, Haoqiang Fan, Shuaicheng Liu: Practical Stereo Matching via Cascaded Recurrent Network with Adaptive Correlation. CVPR 2022
PMTNet	0.09 81	0.05 17	0.09 72	0.12 4	0.06 13	0.12 207	0.14 152	0.15 106	0.11 62	0.09 92	0.13 174	0.10 154	0.07 106	0.13 234	0.10 123	0.15 494	0.04 21	0.05 23	0.03 1	0.07 258	0.06 199

MM-Stereo_test3	0.10 142	0.07 139	0.07 6	0.18 298	0.07 71	0.12 207	0.19 402	0.24 316	0.19 246	0.06 9	0.10 117	0.08 98	0.06 36	0.11 107	0.08 17	0.06 114	0.06 307	0.07 194	0.05 107	0.05 100	0.04 40

MM-Stereo_test1	0.10 142	0.07 139	0.08 30	0.18 298	0.07 71	0.12 207	0.18 363	0.21 252	0.20 269	0.09 92	0.11 147	0.08 98	0.06 36	0.10 61	0.10 123	0.06 114	0.05 182	0.07 194	0.06 185	0.05 100	0.04 40

AIO-test2	0.10 142	0.08 236	0.10 108	0.23 475	0.08 127	0.11 172	0.10 27	0.23 294	0.23 308	0.08 62	0.09 88	0.08 98	0.05 11	0.10 61	0.08 17	0.06 114	0.05 182	0.08 278	0.09 383	0.05 100	0.05 121

AIO-test1	0.10 142	0.07 139	0.10 108	0.23 475	0.07 71	0.09 80	0.13 104	0.21 252	0.14 143	0.11 154	0.12 160	0.09 123	0.07 106	0.11 107	0.09 54	0.06 114	0.05 182	0.09 359	0.10 422	0.03 1	0.06 199

tg	0.10 142	0.06 56	0.10 108	0.18 298	0.08 127	0.11 172	0.16 284	0.20 229	0.12 88	0.08 62	0.11 147	0.11 175	0.07 106	0.11 107	0.10 123	0.05 27	0.04 21	0.08 278	0.08 337	0.04 15	0.04 40

PAM	0.10 142	0.05 17	0.16 349	0.15 70	0.08 127	0.09 80	0.16 284	0.15 106	0.16 186	0.12 192	0.09 88	0.09 123	0.07 106	0.13 234	0.08 17	0.06 114	0.05 182	0.06 102	0.06 185	0.05 100	0.06 199

model_zeroshot	0.10 142	0.04 1	0.11 149	0.15 70	0.09 239	0.12 207	0.14 152	0.20 229	0.13 119	0.11 154	0.10 117	0.12 192	0.07 106	0.12 189	0.10 123	0.07 239	0.06 307	0.06 102	0.05 107	0.06 192	0.06 199

RAStereo	0.10 142	0.09 312	0.08 30	0.20 410	0.08 127	0.13 246	0.18 363	0.15 106	0.17 205	0.10 125	0.12 160	0.05 1	0.06 36	0.09 33	0.08 17	0.07 239	0.05 182	0.07 194	0.05 107	0.05 100	0.04 40

rvit_stereo_0080	0.10 142	0.08 236	0.14 264	0.15 70	0.09 239	0.07 28	0.15 219	0.16 132	0.16 186	0.11 154	0.10 117	0.14 237	0.08 141	0.12 189	0.10 123	0.09 359	0.07 379	0.07 194	0.06 185	0.07 258	0.05 121

testlalala2	0.10 142	0.06 56	0.11 149	0.20 410	0.10 341	0.10 127	0.12 63	0.17 168	0.12 88	0.12 192	0.13 174	0.09 123	0.07 106	0.11 107	0.13 277	0.06 114	0.05 182	0.05 23	0.04 34	0.05 100	0.05 121

H2IRNET	0.10 142	0.09 312	0.09 72	0.18 298	0.09 239	0.12 207	0.15 219	0.14 75	0.21 284	0.10 125	0.10 117	0.10 154	0.10 199	0.10 61	0.10 123	0.05 27	0.04 21	0.08 278	0.08 337	0.06 192	0.05 121

Former-RAFT_DAM_RVC	0.10 142	0.08 236	0.12 184	0.16 142	0.08 127	0.15 304	0.16 284	0.18 197	0.18 231	0.10 125	0.09 88	0.09 123	0.08 141	0.11 107	0.12 236	0.07 239	0.05 182	0.08 278	0.06 185	0.07 258	0.06 199

MyStereo07	0.10 142	0.07 139	0.10 108	0.17 216	0.09 239	0.14 278	0.18 363	0.15 106	0.15 159	0.09 92	0.06 13	0.06 16	0.07 106	0.12 189	0.09 54	0.06 114	0.05 182	0.08 278	0.07 272	0.06 192	0.06 199

MyStereo06	0.10 142	0.07 139	0.12 184	0.17 216	0.09 239	0.13 246	0.18 363	0.19 218	0.12 88	0.12 192	0.08 70	0.07 62	0.07 106	0.11 107	0.09 54	0.06 114	0.05 182	0.07 194	0.07 272	0.06 192	0.06 199

AE-Stereo	0.10 142	0.08 236	0.10 108	0.18 298	0.09 239	0.10 127	0.15 219	0.14 75	0.19 246	0.09 92	0.14 188	0.12 192	0.08 141	0.11 107	0.10 123	0.05 27	0.06 307	0.07 194	0.06 185	0.05 100	0.04 40

ACVNet-DCA	0.10 142	0.08 236	0.12 184	0.17 216	0.09 239	0.13 246	0.15 219	0.23 294	0.16 186	0.09 92	0.09 88	0.06 16	0.06 36	0.10 61	0.07 1	0.06 114	0.04 21	0.06 102	0.05 107	0.07 258	0.07 279

cc1	0.10 142	0.08 236	0.12 184	0.17 216	0.09 239	0.13 246	0.15 219	0.16 132	0.18 231	0.09 92	0.09 88	0.06 16	0.06 36	0.10 61	0.07 1	0.06 114	0.04 21	0.06 102	0.05 107	0.06 192	0.06 199

tt1	0.10 142	0.08 236	0.12 184	0.17 216	0.09 239	0.12 207	0.16 284	0.15 106	0.19 246	0.09 92	0.08 70	0.06 16	0.06 36	0.10 61	0.07 1	0.06 114	0.04 21	0.06 102	0.05 107	0.06 192	0.06 199

whm_eth	0.10 142	0.08 236	0.14 264	0.15 70	0.09 239	0.07 28	0.15 219	0.16 132	0.16 186	0.11 154	0.10 117	0.14 237	0.08 141	0.12 189	0.10 123	0.09 359	0.07 379	0.07 194	0.06 185	0.07 258	0.05 121

plain	0.10 142	0.08 236	0.10 108	0.19 355	0.09 239	0.10 127	0.15 219	0.14 75	0.13 119	0.13 219	0.15 205	0.09 123	0.12 255	0.13 234	0.12 236	0.07 239	0.05 182	0.09 359	0.06 185	0.06 192	0.06 199

testlalala_base	0.10 142	0.09 312	0.14 264	0.21 439	0.08 127	0.10 127	0.14 152	0.13 59	0.10 36	0.07 30	0.15 205	0.07 62	0.08 141	0.10 61	0.12 236	0.08 300	0.05 182	0.05 23	0.03 1	0.06 192	0.05 121

Any-RAFT	0.10 142	0.05 17	0.09 72	0.14 30	0.07 71	0.13 246	0.14 152	0.21 252	0.15 159	0.11 154	0.12 160	0.12 192	0.09 167	0.12 189	0.09 54	0.07 239	0.04 21	0.05 23	0.04 34	0.06 192	0.05 121

LL-Strereo2	0.10 142	0.10 370	0.15 315	0.18 298	0.08 127	0.15 304	0.09 18	0.17 168	0.14 143	0.14 240	0.10 117	0.09 123	0.07 106	0.16 316	0.10 123	0.05 27	0.05 182	0.10 407	0.07 272	0.06 192	0.05 121

DCANet-4	0.10 142	0.06 56	0.12 184	0.16 142	0.06 13	0.09 80	0.17 318	0.18 197	0.19 246	0.13 219	0.16 217	0.09 123	0.14 318	0.11 107	0.12 236	0.06 114	0.04 21	0.05 23	0.04 34	0.04 15	0.05 121

fff	0.10 142	0.06 56	0.12 184	0.15 70	0.07 71	0.09 80	0.17 318	0.16 132	0.20 269	0.13 219	0.16 217	0.10 154	0.11 224	0.11 107	0.12 236	0.06 114	0.04 21	0.05 23	0.04 34	0.04 15	0.05 121

ADStereo(finetuned)	0.10 142	0.06 56	0.12 184	0.16 142	0.06 13	0.09 80	0.17 318	0.15 106	0.19 246	0.13 219	0.17 238	0.10 154	0.12 255	0.11 107	0.12 236	0.06 114	0.04 21	0.05 23	0.04 34	0.05 100	0.04 40

test_4	0.10 142	0.10 370	0.08 30	0.19 355	0.09 239	0.08 51	0.22 450	0.15 106	0.17 205	0.12 192	0.18 263	0.12 192	0.09 167	0.08 15	0.11 187	0.04 11	0.04 21	0.08 278	0.08 337	0.04 15	0.03 1

IPLG	0.10 142	0.07 139	0.15 315	0.17 216	0.08 127	0.11 172	0.14 152	0.20 229	0.15 159	0.12 192	0.17 238	0.07 62	0.07 106	0.14 260	0.13 277	0.06 114	0.04 21	0.06 102	0.05 107	0.04 15	0.04 40

test_3	0.10 142	0.09 312	0.10 108	0.20 410	0.08 127	0.13 246	0.26 496	0.14 75	0.21 284	0.10 125	0.10 117	0.09 123	0.09 167	0.08 15	0.11 187	0.05 27	0.04 21	0.08 278	0.07 272	0.04 15	0.04 40

STrans-v2	0.10 142	0.07 139	0.12 184	0.18 298	0.07 71	0.10 127	0.14 152	0.21 252	0.11 62	0.11 154	0.15 205	0.12 192	0.10 199	0.11 107	0.12 236	0.05 27	0.04 21	0.06 102	0.06 185	0.04 15	0.04 40

TransformOpticalFlow	0.10 142	0.08 236	0.13 229	0.18 298	0.07 71	0.09 80	0.15 219	0.19 218	0.15 159	0.12 192	0.17 238	0.11 175	0.11 224	0.11 107	0.10 123	0.05 27	0.04 21	0.06 102	0.06 185	0.05 100	0.05 121

SST-Stereo	0.10 142	0.07 139	0.15 315	0.18 298	0.09 239	0.06 8	0.12 63	0.17 168	0.11 62	0.15 267	0.17 238	0.13 217	0.12 255	0.10 61	0.11 187	0.06 114	0.04 21	0.09 359	0.06 185	0.06 192	0.05 121

cross-raft	0.10 142	0.09 312	0.09 72	0.19 355	0.07 71	0.11 172	0.25 488	0.13 59	0.15 159	0.08 62	0.11 147	0.12 192	0.10 199	0.09 33	0.11 187	0.05 27	0.04 21	0.06 102	0.05 107	0.04 15	0.04 40

test-1	0.10 142	0.07 139	0.16 349	0.19 355	0.08 127	0.11 172	0.24 473	0.14 75	0.18 231	0.09 92	0.07 37	0.09 123	0.08 141	0.07 4	0.09 54	0.06 114	0.04 21	0.06 102	0.05 107	0.04 15	0.04 40

iRaftStereo_RVC	0.10 142	0.07 139	0.09 72	0.17 216	0.09 239	0.11 172	0.17 318	0.18 197	0.12 88	0.09 92	0.12 160	0.10 154	0.07 106	0.11 107	0.10 123	0.05 27	0.04 21	0.08 278	0.08 337	0.04 15	0.04 40

RALCasStereoNet	0.10 142	0.06 56	0.09 72	0.16 142	0.08 127	0.12 207	0.14 152	0.17 168	0.11 62	0.12 192	0.17 238	0.14 237	0.10 199	0.12 189	0.11 187	0.07 239	0.06 307	0.06 102	0.05 107	0.08 321	0.07 279

DCANet	0.10 142	0.06 56	0.12 184	0.16 142	0.06 13	0.09 80	0.17 318	0.15 106	0.19 246	0.13 219	0.17 238	0.10 154	0.11 224	0.11 107	0.12 236	0.06 114	0.04 21	0.05 23	0.04 34	0.05 100	0.04 40

csc	0.10 142	0.06 56	0.12 184	0.15 70	0.07 71	0.09 80	0.17 318	0.16 132	0.20 269	0.13 219	0.16 217	0.10 154	0.11 224	0.11 107	0.12 236	0.06 114	0.04 21	0.05 23	0.04 34	0.04 15	0.05 121

cscssc	0.10 142	0.06 56	0.12 184	0.15 70	0.07 71	0.09 80	0.17 318	0.16 132	0.20 269	0.13 219	0.16 217	0.10 154	0.11 224	0.11 107	0.12 236	0.06 114	0.04 21	0.05 23	0.04 34	0.04 15	0.05 121

111	0.10 142	0.06 56	0.12 184	0.15 70	0.07 71	0.10 127	0.14 152	0.21 252	0.23 308	0.11 154	0.12 160	0.14 237	0.11 224	0.13 234	0.10 123	0.06 114	0.04 21	0.06 102	0.04 34	0.05 100	0.05 121

R-Stereo Train	0.10 142	0.06 56	0.10 108	0.17 216	0.08 127	0.11 172	0.14 152	0.23 294	0.11 62	0.12 192	0.19 272	0.11 175	0.08 141	0.09 33	0.11 187	0.07 239	0.05 182	0.06 102	0.05 107	0.05 100	0.05 121

RAFT-Stereo	0.10 142	0.06 56	0.10 108	0.17 216	0.08 127	0.11 172	0.14 152	0.23 294	0.11 62	0.12 192	0.19 272	0.11 175	0.08 141	0.09 33	0.11 187	0.07 239	0.05 182	0.06 102	0.05 107	0.05 100	0.05 121
Lahav Lipson, Zachary Teed, and Jia Deng: RAFT-Stereo: Multilevel Recurrent Field Transforms for Stereo Matching. 3DV
HITNet	0.10 142	0.06 56	0.12 184	0.14 30	0.06 13	0.11 172	0.10 27	0.18 197	0.18 231	0.13 219	0.16 217	0.14 237	0.11 224	0.15 282	0.13 277	0.06 114	0.04 21	0.04 1	0.04 34	0.06 192	0.05 121
Vladimir Tankovich, Christian HÃ¤ne, Yinda Zhang, Adarsh Kowdle, Sean Fanello, Sofien Bouaziz: HITNet: Hierarchical Iterative Tile Refinement Network for Real-time Stereo Matching. CVPR 2021
FlowAnything_test	0.11 185	0.08 236	0.14 264	0.15 70	0.09 239	0.07 28	0.14 152	0.20 229	0.11 62	0.09 92	0.09 88	0.12 192	0.12 255	0.13 234	0.11 187	0.09 359	0.06 307	0.09 359	0.09 383	0.06 192	0.09 387

xyz-stereo-finetune2	0.11 185	0.07 139	0.13 229	0.13 13	0.07 71	0.11 172	0.19 402	0.17 168	0.12 88	0.15 267	0.15 205	0.17 300	0.12 255	0.13 234	0.11 187	0.05 27	0.04 21	0.07 194	0.05 107	0.04 15	0.06 199

xyz-stereo-finetune	0.11 185	0.08 236	0.13 229	0.14 30	0.06 13	0.10 127	0.19 402	0.17 168	0.19 246	0.12 192	0.14 188	0.15 266	0.10 199	0.13 234	0.11 187	0.05 27	0.04 21	0.07 194	0.05 107	0.04 15	0.05 121

HI	0.11 185	0.06 56	0.11 149	0.13 13	0.09 239	0.09 80	0.14 152	0.21 252	0.10 36	0.19 357	0.17 238	0.14 237	0.09 167	0.16 316	0.08 17	0.05 27	0.04 21	0.07 194	0.08 337	0.07 258	0.06 199

CoSv	0.11 185	0.06 56	0.11 149	0.13 13	0.09 239	0.09 80	0.14 152	0.21 252	0.10 36	0.19 357	0.17 238	0.14 237	0.09 167	0.16 316	0.08 17	0.05 27	0.04 21	0.07 194	0.08 337	0.07 258	0.06 199

rvit_stereo_0081_aga	0.11 185	0.09 312	0.14 264	0.18 298	0.09 239	0.13 246	0.14 152	0.14 75	0.19 246	0.10 125	0.18 263	0.16 280	0.09 167	0.12 189	0.09 54	0.10 400	0.06 307	0.08 278	0.07 272	0.07 258	0.06 199

rvit_stereo_0081	0.11 185	0.08 236	0.15 315	0.16 142	0.09 239	0.10 127	0.14 152	0.14 75	0.24 324	0.11 154	0.13 174	0.13 217	0.09 167	0.11 107	0.12 236	0.10 400	0.07 379	0.08 278	0.07 272	0.07 258	0.05 121

rvit_stereo_0082	0.11 185	0.08 236	0.15 315	0.16 142	0.09 239	0.10 127	0.14 152	0.14 75	0.24 324	0.11 154	0.13 174	0.13 217	0.09 167	0.11 107	0.12 236	0.10 400	0.07 379	0.08 278	0.07 272	0.07 258	0.05 121

AIO-Stereo-zeroshot1	0.11 185	0.05 17	0.14 264	0.15 70	0.20 518	0.09 80	0.17 318	0.21 252	0.15 159	0.11 154	0.14 188	0.10 154	0.07 106	0.10 61	0.08 17	0.06 114	0.05 182	0.07 194	0.07 272	0.07 258	0.09 387

AIO-Stereo-zeroshot	0.11 185	0.05 17	0.11 149	0.15 70	0.13 443	0.13 246	0.16 284	0.23 294	0.17 205	0.10 125	0.12 160	0.10 154	0.07 106	0.11 107	0.09 54	0.06 114	0.05 182	0.06 102	0.06 185	0.07 258	0.08 343

CAS++	0.11 185	0.07 139	0.11 149	0.14 30	0.09 239	0.12 207	0.14 152	0.24 316	0.14 143	0.11 154	0.09 88	0.11 175	0.07 106	0.14 260	0.09 54	0.11 429	0.09 434	0.09 359	0.07 272	0.07 258	0.08 343
Junhong Min, Youngpil Jeon: Confidence Aware Stereo Matching for Realistic Cluttered Scenario. ICIP 2024
xx1	0.11 185	0.08 236	0.12 184	0.17 216	0.09 239	0.13 246	0.15 219	0.16 132	0.18 231	0.09 92	0.09 88	0.16 280	0.16 362	0.10 61	0.07 1	0.06 114	0.04 21	0.08 278	0.08 337	0.07 258	0.07 279

1test111	0.11 185	0.08 236	0.12 184	0.17 216	0.09 239	0.13 246	0.15 219	0.23 294	0.16 186	0.09 92	0.09 88	0.06 16	0.06 36	0.15 282	0.16 358	0.06 114	0.04 21	0.06 102	0.05 107	0.07 258	0.07 279

MIF-Stereo (partial)	0.11 185	0.06 56	0.10 108	0.19 355	0.10 341	0.10 127	0.11 46	0.17 168	0.18 231	0.14 240	0.16 217	0.09 123	0.11 224	0.12 189	0.12 236	0.08 300	0.05 182	0.08 278	0.07 272	0.06 192	0.07 279

EKT-Stereo	0.11 185	0.07 139	0.14 264	0.15 70	0.10 341	0.13 246	0.14 152	0.18 197	0.21 284	0.11 154	0.08 70	0.12 192	0.09 167	0.11 107	0.12 236	0.08 300	0.06 307	0.07 194	0.06 185	0.08 321	0.07 279

anonymousdsp2	0.11 185	0.07 139	0.10 108	0.16 142	0.09 239	0.13 246	0.14 152	0.18 197	0.22 298	0.13 219	0.14 188	0.12 192	0.09 167	0.14 260	0.11 187	0.05 27	0.04 21	0.05 23	0.04 34	0.06 192	0.05 121

DCRE	0.11 185	0.07 139	0.13 229	0.16 142	0.11 389	0.11 172	0.17 318	0.18 197	0.17 205	0.11 154	0.18 263	0.10 154	0.10 199	0.15 282	0.11 187	0.06 114	0.05 182	0.06 102	0.06 185	0.05 100	0.04 40

knoymous	0.11 185	0.05 17	0.12 184	0.13 13	0.07 71	0.15 304	0.14 152	0.19 218	0.13 119	0.11 154	0.17 238	0.13 217	0.09 167	0.13 234	0.11 187	0.08 300	0.05 182	0.06 102	0.05 107	0.08 321	0.07 279

riskmin	0.11 185	0.06 56	0.13 229	0.14 30	0.08 127	0.14 278	0.14 152	0.18 197	0.14 143	0.11 154	0.14 188	0.16 280	0.11 224	0.14 260	0.12 236	0.09 359	0.05 182	0.07 194	0.05 107	0.08 321	0.08 343

Selective-RAFT	0.11 185	0.10 370	0.11 149	0.21 439	0.08 127	0.16 334	0.13 104	0.20 229	0.22 298	0.10 125	0.10 117	0.11 175	0.10 199	0.15 282	0.11 187	0.05 27	0.05 182	0.06 102	0.05 107	0.06 192	0.05 121

DisPM	0.11 185	0.07 139	0.12 184	0.16 142	0.09 239	0.06 8	0.13 104	0.17 168	0.17 205	0.14 240	0.20 284	0.12 192	0.10 199	0.11 107	0.10 123	0.06 114	0.04 21	0.07 194	0.06 185	0.06 192	0.11 440

CIPLG	0.11 185	0.08 236	0.14 264	0.17 216	0.08 127	0.12 207	0.15 219	0.17 168	0.15 159	0.14 240	0.11 147	0.16 280	0.09 167	0.16 316	0.11 187	0.07 239	0.05 182	0.06 102	0.05 107	0.05 100	0.06 199

GLC_STEREO	0.11 185	0.07 139	0.11 149	0.17 216	0.07 71	0.09 80	0.13 104	0.15 106	0.24 324	0.12 192	0.13 174	0.12 192	0.08 141	0.18 369	0.11 187	0.06 114	0.08 405	0.08 278	0.06 185	0.05 100	0.05 121

IPLGR_C	0.11 185	0.08 236	0.14 264	0.17 216	0.08 127	0.12 207	0.15 219	0.17 168	0.15 159	0.14 240	0.10 117	0.16 280	0.09 167	0.16 316	0.11 187	0.07 239	0.05 182	0.06 102	0.05 107	0.05 100	0.06 199

MIPNet	0.11 185	0.08 236	0.14 264	0.17 216	0.09 239	0.12 207	0.14 152	0.20 229	0.24 324	0.11 154	0.10 117	0.09 123	0.07 106	0.13 234	0.12 236	0.06 114	0.04 21	0.06 102	0.05 107	0.04 15	0.04 40

IPLGR	0.11 185	0.09 312	0.16 349	0.18 298	0.08 127	0.12 207	0.17 318	0.21 252	0.24 324	0.11 154	0.12 160	0.11 175	0.08 141	0.12 189	0.12 236	0.06 114	0.05 182	0.06 102	0.06 185	0.04 15	0.04 40

GMOStereo	0.11 185	0.09 312	0.07 6	0.19 355	0.08 127	0.12 207	0.28 509	0.13 59	0.17 205	0.11 154	0.17 238	0.14 237	0.12 255	0.07 4	0.07 1	0.05 27	0.05 182	0.09 359	0.07 272	0.04 15	0.04 40

error version	0.11 185	0.09 312	0.07 6	0.19 355	0.08 127	0.12 207	0.28 509	0.13 59	0.17 205	0.11 154	0.17 238	0.14 237	0.12 255	0.07 4	0.07 1	0.05 27	0.05 182	0.09 359	0.07 272	0.04 15	0.04 40

test-v	0.11 185	0.09 312	0.07 6	0.19 355	0.08 127	0.12 207	0.28 509	0.13 59	0.17 205	0.11 154	0.17 238	0.14 237	0.12 255	0.07 4	0.07 1	0.05 27	0.05 182	0.09 359	0.07 272	0.04 15	0.04 40

ACRE	0.11 185	0.08 236	0.14 264	0.17 216	0.08 127	0.12 207	0.15 219	0.17 168	0.14 143	0.14 240	0.10 117	0.16 280	0.09 167	0.16 316	0.11 187	0.07 239	0.05 182	0.06 102	0.05 107	0.05 100	0.06 199

PFNet+	0.11 185	0.06 56	0.13 229	0.16 142	0.09 239	0.05 4	0.12 63	0.17 168	0.21 284	0.16 295	0.19 272	0.14 237	0.10 199	0.11 107	0.11 187	0.08 300	0.05 182	0.09 359	0.08 337	0.06 192	0.11 440

LCNet	0.11 185	0.07 139	0.09 72	0.19 355	0.09 239	0.08 51	0.15 219	0.21 252	0.15 159	0.11 154	0.15 205	0.16 280	0.11 224	0.12 189	0.11 187	0.05 27	0.04 21	0.08 278	0.07 272	0.06 192	0.15 496

HHNet	0.11 185	0.06 56	0.16 349	0.15 70	0.14 463	0.07 28	0.13 104	0.20 229	0.17 205	0.14 240	0.25 365	0.11 175	0.08 141	0.13 234	0.10 123	0.05 27	0.04 21	0.08 278	0.06 185	0.05 100	0.09 387

Patchmatch Stereo++	0.11 185	0.09 312	0.16 349	0.18 298	0.08 127	0.06 8	0.11 46	0.16 132	0.13 119	0.15 267	0.16 217	0.14 237	0.12 255	0.11 107	0.10 123	0.06 114	0.04 21	0.08 278	0.06 185	0.08 321	0.07 279
Wenjia Ren, Qingmin Liao, Zhijing Shao, Xiangru Lin, Xin Yue, Yu Zhang, Zongqing Lu: Patchmatch Stereo++: Patchmatch Binocular Stereo with Continuous Disparity Optimization. ACM MM 2023
AAGNet	0.11 185	0.07 139	0.16 349	0.19 355	0.09 239	0.08 51	0.13 104	0.18 197	0.13 119	0.16 295	0.21 305	0.13 217	0.14 318	0.11 107	0.14 314	0.06 114	0.04 21	0.09 359	0.06 185	0.06 192	0.05 121

OMP-Stereo	0.11 185	0.06 56	0.14 264	0.18 298	0.08 127	0.09 80	0.12 63	0.21 252	0.21 284	0.13 219	0.14 188	0.11 175	0.12 255	0.11 107	0.13 277	0.06 114	0.04 21	0.07 194	0.06 185	0.05 100	0.04 40

IIG-Stereo	0.11 185	0.06 56	0.13 229	0.17 216	0.08 127	0.11 172	0.12 63	0.22 274	0.17 205	0.14 240	0.17 238	0.11 175	0.12 255	0.12 189	0.12 236	0.06 114	0.05 182	0.07 194	0.06 185	0.05 100	0.04 40

NF-Stereo	0.11 185	0.07 139	0.13 229	0.17 216	0.09 239	0.10 127	0.14 152	0.23 294	0.19 246	0.12 192	0.17 238	0.12 192	0.11 224	0.11 107	0.11 187	0.06 114	0.04 21	0.07 194	0.06 185	0.06 192	0.12 453

OCTAStereo	0.11 185	0.07 139	0.13 229	0.17 216	0.09 239	0.10 127	0.14 152	0.23 294	0.19 246	0.12 192	0.17 238	0.12 192	0.11 224	0.11 107	0.11 187	0.06 114	0.04 21	0.07 194	0.06 185	0.06 192	0.12 453

NRIStereo	0.11 185	0.08 236	0.14 264	0.18 298	0.08 127	0.10 127	0.14 152	0.16 132	0.15 159	0.12 192	0.14 188	0.13 217	0.12 255	0.13 234	0.10 123	0.06 114	0.04 21	0.07 194	0.06 185	0.06 192	0.07 279

PSM-adaLoss	0.11 185	0.09 312	0.16 349	0.18 298	0.08 127	0.06 8	0.12 63	0.16 132	0.13 119	0.15 267	0.16 217	0.14 237	0.12 255	0.11 107	0.10 123	0.06 114	0.04 21	0.08 278	0.06 185	0.08 321	0.07 279

PSM-AAD	0.11 185	0.07 139	0.10 108	0.19 355	0.09 239	0.10 127	0.15 219	0.20 229	0.13 119	0.12 192	0.14 188	0.18 314	0.11 224	0.11 107	0.10 123	0.05 27	0.05 182	0.09 359	0.08 337	0.06 192	0.14 489

ROB_FTStereo_v2	0.11 185	0.09 312	0.16 349	0.19 355	0.08 127	0.06 8	0.12 63	0.16 132	0.13 119	0.15 267	0.16 217	0.14 237	0.12 255	0.11 107	0.10 123	0.06 114	0.04 21	0.08 278	0.06 185	0.08 321	0.07 279

ROB_FTStereo	0.11 185	0.09 312	0.16 349	0.19 355	0.08 127	0.06 8	0.11 46	0.16 132	0.13 119	0.15 267	0.16 217	0.14 237	0.12 255	0.11 107	0.10 123	0.06 114	0.04 21	0.08 278	0.06 185	0.08 321	0.07 279

KYRaft	0.11 185	0.07 139	0.10 108	0.19 355	0.09 239	0.08 51	0.15 219	0.22 274	0.12 88	0.13 219	0.16 217	0.20 340	0.10 199	0.12 189	0.10 123	0.05 27	0.04 21	0.08 278	0.08 337	0.06 192	0.16 507

HUI-Stereo	0.11 185	0.09 312	0.16 349	0.18 298	0.08 127	0.06 8	0.12 63	0.16 132	0.13 119	0.15 267	0.16 217	0.14 237	0.12 255	0.11 107	0.10 123	0.06 114	0.04 21	0.08 278	0.06 185	0.08 321	0.07 279

ASMatch	0.11 185	0.06 56	0.13 229	0.16 142	0.10 341	0.07 28	0.14 152	0.17 168	0.17 205	0.12 192	0.16 217	0.16 280	0.10 199	0.13 234	0.10 123	0.05 27	0.04 21	0.06 102	0.05 107	0.04 15	0.08 343

RAFT_R40	0.11 185	0.07 139	0.14 264	0.18 298	0.09 239	0.06 8	0.13 104	0.17 168	0.16 186	0.14 240	0.18 263	0.15 266	0.12 255	0.10 61	0.11 187	0.06 114	0.04 21	0.09 359	0.06 185	0.06 192	0.05 121

GrayStereo	0.11 185	0.06 56	0.11 149	0.19 355	0.09 239	0.09 80	0.16 284	0.18 197	0.17 205	0.14 240	0.17 238	0.17 300	0.11 224	0.12 189	0.11 187	0.05 27	0.05 182	0.07 194	0.06 185	0.05 100	0.10 414

RE-Stereo	0.11 185	0.07 139	0.13 229	0.17 216	0.09 239	0.10 127	0.14 152	0.23 294	0.19 246	0.12 192	0.17 238	0.12 192	0.11 224	0.11 107	0.11 187	0.06 114	0.04 21	0.07 194	0.06 185	0.06 192	0.12 453

Pruner-Stereo	0.11 185	0.07 139	0.12 184	0.17 216	0.09 239	0.06 8	0.12 63	0.17 168	0.17 205	0.13 219	0.19 272	0.13 217	0.09 167	0.11 107	0.11 187	0.06 114	0.04 21	0.07 194	0.06 185	0.06 192	0.08 343

TVStereo	0.11 185	0.07 139	0.13 229	0.17 216	0.09 239	0.10 127	0.14 152	0.23 294	0.19 246	0.12 192	0.17 238	0.12 192	0.11 224	0.11 107	0.11 187	0.06 114	0.04 21	0.07 194	0.06 185	0.06 192	0.12 453

DeepStereo_RVC	0.11 185	0.08 236	0.16 349	0.18 298	0.08 127	0.08 51	0.12 63	0.17 168	0.12 88	0.13 219	0.14 188	0.12 192	0.12 255	0.12 189	0.11 187	0.06 114	0.04 21	0.07 194	0.06 185	0.07 258	0.08 343

iGMRVC	0.11 185	0.09 312	0.16 349	0.19 355	0.08 127	0.06 8	0.12 63	0.16 132	0.13 119	0.15 267	0.16 217	0.14 237	0.12 255	0.11 107	0.10 123	0.06 114	0.04 21	0.08 278	0.06 185	0.08 321	0.07 279

RAFT-RH_RVC	0.11 185	0.06 56	0.14 264	0.16 142	0.09 239	0.12 207	0.12 63	0.17 168	0.12 88	0.13 219	0.41 494	0.11 175	0.10 199	0.13 234	0.12 236	0.05 27	0.04 21	0.08 278	0.05 107	0.04 15	0.06 199

RAFT-345	0.11 185	0.07 139	0.15 315	0.16 142	0.08 127	0.08 51	0.12 63	0.15 106	0.10 36	0.11 154	0.36 457	0.09 123	0.09 167	0.11 107	0.12 236	0.05 27	0.05 182	0.07 194	0.06 185	0.04 15	0.05 121

iRAFT	0.11 185	0.09 312	0.16 349	0.18 298	0.08 127	0.06 8	0.11 46	0.16 132	0.13 119	0.15 267	0.16 217	0.14 237	0.12 255	0.11 107	0.10 123	0.06 114	0.04 21	0.08 278	0.06 185	0.08 321	0.07 279

CRE-IMP	0.11 185	0.09 312	0.16 349	0.19 355	0.08 127	0.10 127	0.12 63	0.18 197	0.10 36	0.14 240	0.13 174	0.13 217	0.12 255	0.12 189	0.11 187	0.07 239	0.04 21	0.08 278	0.06 185	0.08 321	0.08 343

test-2	0.11 185	0.09 312	0.07 6	0.19 355	0.08 127	0.12 207	0.28 509	0.13 59	0.17 205	0.11 154	0.17 238	0.14 237	0.12 255	0.07 4	0.07 1	0.05 27	0.05 182	0.09 359	0.07 272	0.04 15	0.04 40

GMM-Stereo	0.11 185	0.07 139	0.10 108	0.18 298	0.09 239	0.08 51	0.15 219	0.23 294	0.16 186	0.11 154	0.15 205	0.13 217	0.11 224	0.11 107	0.11 187	0.05 27	0.04 21	0.08 278	0.07 272	0.06 192	0.09 387

RAFT-IKP	0.11 185	0.09 312	0.16 349	0.19 355	0.08 127	0.06 8	0.12 63	0.16 132	0.13 119	0.15 267	0.16 217	0.14 237	0.12 255	0.11 107	0.10 123	0.06 114	0.04 21	0.08 278	0.06 185	0.08 321	0.07 279

Prome-Stereo	0.11 185	0.06 56	0.10 108	0.18 298	0.08 127	0.12 207	0.15 219	0.22 274	0.13 119	0.12 192	0.17 238	0.13 217	0.08 141	0.12 189	0.10 123	0.05 27	0.04 21	0.07 194	0.06 185	0.06 192	0.09 387

rafts_anoy	0.11 185	0.06 56	0.10 108	0.17 216	0.08 127	0.10 127	0.14 152	0.17 168	0.14 143	0.13 219	0.13 174	0.12 192	0.10 199	0.11 107	0.12 236	0.07 239	0.04 21	0.09 359	0.11 454	0.07 258	0.06 199

raft+_RVC	0.11 185	0.07 139	0.09 72	0.16 142	0.07 71	0.10 127	0.11 46	0.24 316	0.20 269	0.12 192	0.15 205	0.12 192	0.08 141	0.12 189	0.13 277	0.07 239	0.04 21	0.07 194	0.06 185	0.05 100	0.05 121

RALAANet	0.11 185	0.08 236	0.10 108	0.17 216	0.09 239	0.14 278	0.10 27	0.20 229	0.15 159	0.14 240	0.13 174	0.16 280	0.09 167	0.12 189	0.11 187	0.06 114	0.05 182	0.07 194	0.06 185	0.05 100	0.04 40

DIP-Stereo	0.11 185	0.07 139	0.14 264	0.17 216	0.09 239	0.13 246	0.09 18	0.16 132	0.16 186	0.11 154	0.16 217	0.14 237	0.12 255	0.15 282	0.13 277	0.06 114	0.05 182	0.06 102	0.05 107	0.05 100	0.06 199
Zihua Zheng, Ni Nie, Zhi Ling, Pengfei Xiong, Jiangyu Liu, Hao Wang, Jiankun Li: DIP: Deep Inverse Patchmatch for High-Resolution Optical Flow. cvpr2022
rvit_stereo_0083	0.12 251	0.08 236	0.17 377	0.16 142	0.09 239	0.11 172	0.15 219	0.14 75	0.26 359	0.11 154	0.14 188	0.13 217	0.10 199	0.12 189	0.12 236	0.10 400	0.08 405	0.09 359	0.07 272	0.07 258	0.05 121

rvit_stereo_ft	0.12 251	0.07 139	0.13 229	0.19 355	0.10 341	0.12 207	0.17 318	0.16 132	0.16 186	0.12 192	0.13 174	0.15 266	0.10 199	0.14 260	0.13 277	0.09 359	0.06 307	0.08 278	0.07 272	0.07 258	0.05 121

test_sample2	0.12 251	0.07 139	0.12 184	0.14 30	0.08 127	0.16 334	0.18 363	0.21 252	0.16 186	0.14 240	0.20 284	0.19 328	0.15 336	0.15 282	0.12 236	0.08 300	0.05 182	0.07 194	0.06 185	0.08 321	0.07 279

MyStereo8	0.12 251	0.07 139	0.15 315	0.15 70	0.09 239	0.18 374	0.14 152	0.19 218	0.22 298	0.12 192	0.18 263	0.11 175	0.10 199	0.16 316	0.18 391	0.07 239	0.05 182	0.07 194	0.05 107	0.08 321	0.09 387

CoDeX	0.12 251	0.07 139	0.12 184	0.17 216	0.08 127	0.12 207	0.15 219	0.23 294	0.27 368	0.13 219	0.17 238	0.16 280	0.11 224	0.14 260	0.11 187	0.07 239	0.05 182	0.07 194	0.06 185	0.06 192	0.05 121

11t1	0.12 251	0.06 56	0.13 229	0.14 30	0.08 127	0.17 355	0.15 219	0.18 197	0.15 159	0.15 267	0.15 205	0.16 280	0.16 362	0.15 282	0.13 277	0.08 300	0.05 182	0.06 102	0.05 107	0.08 321	0.07 279

ffm	0.12 251	0.09 312	0.14 264	0.16 142	0.08 127	0.17 355	0.17 318	0.15 106	0.19 246	0.15 267	0.25 365	0.19 328	0.13 293	0.10 61	0.07 1	0.06 114	0.04 21	0.09 359	0.08 337	0.06 192	0.06 199

RAFT_CTSACE	0.12 251	0.09 312	0.10 108	0.22 454	0.08 127	0.12 207	0.24 473	0.18 197	0.16 186	0.20 380	0.27 390	0.13 217	0.07 106	0.13 234	0.09 54	0.05 27	0.06 307	0.08 278	0.07 272	0.04 15	0.04 40

Sa-1000	0.12 251	0.08 236	0.08 30	0.18 298	0.08 127	0.14 278	0.22 450	0.22 274	0.18 231	0.15 267	0.20 284	0.17 300	0.11 224	0.10 61	0.10 123	0.06 114	0.05 182	0.09 359	0.09 383	0.05 100	0.05 121

SA	0.12 251	0.09 312	0.08 30	0.18 298	0.08 127	0.12 207	0.24 473	0.23 294	0.18 231	0.17 311	0.27 390	0.14 237	0.11 224	0.11 107	0.11 187	0.05 27	0.05 182	0.09 359	0.08 337	0.05 100	0.04 40

iRaft-Stereo_5w	0.12 251	0.09 312	0.12 184	0.19 355	0.08 127	0.09 80	0.12 63	0.21 252	0.21 284	0.19 357	0.14 188	0.11 175	0.09 167	0.20 409	0.16 358	0.05 27	0.05 182	0.07 194	0.06 185	0.05 100	0.06 199

CrosDoStereo	0.12 251	0.06 56	0.12 184	0.14 30	0.08 127	0.12 207	0.15 219	0.17 168	0.22 298	0.19 357	0.24 336	0.15 266	0.11 224	0.11 107	0.12 236	0.06 114	0.04 21	0.07 194	0.07 272	0.05 100	0.05 121

PSM-softLoss	0.12 251	0.07 139	0.15 315	0.17 216	0.09 239	0.08 51	0.13 104	0.24 316	0.17 205	0.14 240	0.19 272	0.13 217	0.11 224	0.11 107	0.11 187	0.07 239	0.05 182	0.08 278	0.07 272	0.06 192	0.12 453

KMStereo	0.12 251	0.07 139	0.15 315	0.17 216	0.09 239	0.08 51	0.13 104	0.24 316	0.17 205	0.14 240	0.19 272	0.13 217	0.11 224	0.11 107	0.11 187	0.07 239	0.05 182	0.08 278	0.07 272	0.06 192	0.12 453

FTStereo	0.12 251	0.06 56	0.14 264	0.18 298	0.09 239	0.07 28	0.15 219	0.21 252	0.18 231	0.12 192	0.24 336	0.12 192	0.12 255	0.13 234	0.13 277	0.05 27	0.05 182	0.07 194	0.06 185	0.06 192	0.10 414

DeepStereo_LL	0.12 251	0.06 56	0.12 184	0.14 30	0.08 127	0.12 207	0.15 219	0.17 168	0.22 298	0.19 357	0.24 336	0.15 266	0.11 224	0.11 107	0.12 236	0.06 114	0.04 21	0.07 194	0.07 272	0.05 100	0.05 121

DEmStereo	0.12 251	0.06 56	0.14 264	0.14 30	0.10 341	0.16 334	0.15 219	0.16 132	0.24 324	0.17 311	0.24 336	0.13 217	0.14 318	0.12 189	0.13 277	0.05 27	0.04 21	0.07 194	0.06 185	0.05 100	0.05 121

THIR-Stereo	0.12 251	0.07 139	0.11 149	0.15 70	0.08 127	0.14 278	0.16 284	0.17 168	0.25 345	0.16 295	0.24 336	0.14 237	0.12 255	0.12 189	0.14 314	0.06 114	0.04 21	0.07 194	0.07 272	0.05 100	0.05 121

DRaft	0.12 251	0.06 56	0.11 149	0.14 30	0.09 239	0.14 278	0.17 318	0.21 252	0.30 399	0.17 311	0.28 404	0.10 154	0.15 336	0.10 61	0.12 236	0.05 27	0.04 21	0.07 194	0.06 185	0.05 100	0.05 121

PFNet	0.12 251	0.06 56	0.17 377	0.17 216	0.08 127	0.09 80	0.15 219	0.26 350	0.20 269	0.16 295	0.16 217	0.14 237	0.11 224	0.12 189	0.11 187	0.06 114	0.04 21	0.07 194	0.06 185	0.05 100	0.05 121

IRAFT_RVC	0.12 251	0.08 236	0.16 349	0.19 355	0.08 127	0.07 28	0.15 219	0.24 316	0.23 308	0.14 240	0.14 188	0.15 266	0.12 255	0.12 189	0.10 123	0.06 114	0.04 21	0.09 359	0.06 185	0.06 192	0.06 199

sCroCo_RVC	0.12 251	0.09 312	0.23 446	0.24 484	0.11 389	0.19 397	0.14 152	0.17 168	0.14 143	0.10 125	0.13 174	0.12 192	0.07 106	0.14 260	0.11 187	0.08 300	0.08 405	0.08 278	0.08 337	0.05 100	0.07 279

ARAFT	0.12 251	0.08 236	0.17 377	0.19 355	0.09 239	0.14 278	0.18 363	0.20 229	0.12 88	0.12 192	0.13 174	0.14 237	0.11 224	0.15 282	0.12 236	0.06 114	0.05 182	0.10 407	0.09 383	0.05 100	0.04 40

BEATNet_4x	0.12 251	0.08 236	0.14 264	0.18 298	0.07 71	0.15 304	0.07 3	0.22 274	0.18 231	0.16 295	0.19 272	0.18 314	0.14 318	0.16 316	0.15 342	0.07 239	0.05 182	0.05 23	0.05 107	0.06 192	0.06 199

MLCV	0.12 251	0.07 139	0.16 349	0.18 298	0.06 13	0.15 304	0.17 318	0.19 218	0.21 284	0.18 341	0.25 365	0.17 300	0.13 293	0.14 260	0.13 277	0.05 27	0.04 21	0.05 23	0.04 34	0.05 100	0.04 40

G2L-ROB	0.13 276	0.06 56	0.13 229	0.13 13	0.08 127	0.14 278	0.16 284	0.25 332	0.18 231	0.19 357	0.18 263	0.20 340	0.14 318	0.17 348	0.16 358	0.08 300	0.05 182	0.06 102	0.05 107	0.08 321	0.09 387

xyz-stereo	0.13 276	0.07 139	0.20 423	0.15 70	0.05 1	0.20 412	0.15 219	0.17 168	0.31 406	0.15 267	0.29 416	0.26 414	0.16 362	0.13 234	0.12 236	0.05 27	0.05 182	0.06 102	0.05 107	0.04 15	0.04 40

DFGA-Net	0.13 276	0.11 396	0.18 400	0.17 216	0.10 341	0.12 207	0.13 104	0.22 274	0.25 345	0.16 295	0.16 217	0.13 217	0.12 255	0.16 316	0.14 314	0.07 239	0.05 182	0.08 278	0.07 272	0.05 100	0.05 121

FACV-RUCA	0.13 276	0.11 396	0.12 184	0.19 355	0.12 420	0.15 304	0.15 219	0.22 274	0.20 269	0.15 267	0.16 217	0.14 237	0.16 362	0.14 260	0.13 277	0.07 239	0.05 182	0.08 278	0.06 185	0.10 414	0.08 343

UGAM	0.13 276	0.10 370	0.09 72	0.22 454	0.08 127	0.12 207	0.20 423	0.17 168	0.23 308	0.21 394	0.16 217	0.13 217	0.13 293	0.19 384	0.12 236	0.07 239	0.05 182	0.13 472	0.11 454	0.07 258	0.05 121

test_sample1	0.13 276	0.07 139	0.14 264	0.13 13	0.08 127	0.19 397	0.16 284	0.20 229	0.15 159	0.14 240	0.22 315	0.18 314	0.16 362	0.17 348	0.14 314	0.07 239	0.06 307	0.06 102	0.06 185	0.08 321	0.07 279

qqq1	0.13 276	0.07 139	0.17 377	0.14 30	0.08 127	0.16 334	0.17 318	0.26 350	0.27 368	0.19 357	0.20 284	0.18 314	0.15 336	0.15 282	0.11 187	0.08 300	0.05 182	0.05 23	0.05 107	0.06 192	0.06 199

fff1	0.13 276	0.07 139	0.17 377	0.14 30	0.08 127	0.16 334	0.17 318	0.26 350	0.27 368	0.19 357	0.20 284	0.18 314	0.15 336	0.15 282	0.11 187	0.08 300	0.05 182	0.05 23	0.05 107	0.06 192	0.06 199

MyStereo05	0.13 276	0.07 139	0.10 108	0.17 216	0.09 239	0.13 246	0.18 363	0.27 371	0.35 441	0.17 311	0.14 188	0.15 266	0.11 224	0.15 282	0.13 277	0.06 114	0.05 182	0.07 194	0.07 272	0.06 192	0.06 199

MyStereo04	0.13 276	0.07 139	0.10 108	0.17 216	0.09 239	0.14 278	0.18 363	0.29 401	0.38 459	0.17 311	0.14 188	0.16 280	0.10 199	0.15 282	0.13 277	0.06 114	0.05 182	0.08 278	0.07 272	0.06 192	0.06 199

ff1	0.13 276	0.09 312	0.14 264	0.16 142	0.08 127	0.17 355	0.17 318	0.15 106	0.19 246	0.15 267	0.25 365	0.19 328	0.13 293	0.14 260	0.20 410	0.06 114	0.04 21	0.09 359	0.08 337	0.06 192	0.06 199

StereoVision	0.13 276	0.12 414	0.09 72	0.24 484	0.10 341	0.15 304	0.21 440	0.21 252	0.20 269	0.12 192	0.24 336	0.10 154	0.10 199	0.16 316	0.10 123	0.09 359	0.11 466	0.12 457	0.12 473	0.06 192	0.05 121

LL-Strereo	0.13 276	0.09 312	0.11 149	0.20 410	0.10 341	0.11 172	0.18 363	0.32 436	0.24 324	0.15 267	0.15 205	0.14 237	0.13 293	0.19 384	0.11 187	0.06 114	0.04 21	0.09 359	0.08 337	0.04 15	0.05 121

CASS	0.13 276	0.12 414	0.11 149	0.23 475	0.09 239	0.15 304	0.17 318	0.18 197	0.19 246	0.17 311	0.18 263	0.15 266	0.15 336	0.14 260	0.14 314	0.09 359	0.06 307	0.10 407	0.08 337	0.09 382	0.07 279
Junhong Min, Youngpil Jeon: Confidence-Aware Symmetric Stereo Matching via U-Net Transformer.
anonymousa	0.13 276	0.07 139	0.13 229	0.18 298	0.09 239	0.13 246	0.17 318	0.19 218	0.29 389	0.15 267	0.24 336	0.15 266	0.14 318	0.14 260	0.14 314	0.07 239	0.05 182	0.07 194	0.09 383	0.05 100	0.06 199

TestStereo1	0.13 276	0.08 236	0.08 30	0.19 355	0.08 127	0.18 374	0.29 518	0.23 294	0.16 186	0.17 311	0.20 284	0.16 280	0.10 199	0.12 189	0.13 277	0.06 114	0.06 307	0.08 278	0.06 185	0.05 100	0.05 121

qqq	0.13 276	0.09 312	0.15 315	0.16 142	0.08 127	0.13 246	0.15 219	0.23 294	0.16 186	0.15 267	0.19 272	0.16 280	0.16 362	0.15 282	0.16 358	0.07 239	0.06 307	0.08 278	0.08 337	0.07 258	0.07 279

x	0.13 276	0.07 139	0.14 264	0.14 30	0.08 127	0.18 374	0.14 152	0.22 274	0.20 269	0.15 267	0.19 272	0.19 328	0.17 385	0.18 369	0.18 391	0.07 239	0.05 182	0.06 102	0.06 185	0.07 258	0.07 279

raft_robust	0.13 276	0.10 370	0.07 6	0.18 298	0.08 127	0.13 246	0.24 473	0.28 390	0.33 420	0.20 380	0.19 272	0.14 237	0.10 199	0.11 107	0.12 236	0.05 27	0.05 182	0.07 194	0.07 272	0.05 100	0.04 40

RAFT+CT+SA	0.13 276	0.11 396	0.09 72	0.19 355	0.09 239	0.15 304	0.28 509	0.22 274	0.22 298	0.15 267	0.26 382	0.10 154	0.10 199	0.11 107	0.12 236	0.05 27	0.04 21	0.07 194	0.08 337	0.07 258	0.06 199

SA-5K	0.13 276	0.08 236	0.08 30	0.19 355	0.08 127	0.18 374	0.29 518	0.23 294	0.16 186	0.17 311	0.20 284	0.16 280	0.10 199	0.12 189	0.13 277	0.06 114	0.06 307	0.08 278	0.06 185	0.05 100	0.05 121

GwcNet-ADL	0.13 276	0.08 236	0.14 264	0.20 410	0.09 239	0.11 172	0.20 423	0.30 415	0.24 324	0.13 219	0.14 188	0.18 314	0.14 318	0.13 234	0.14 314	0.07 239	0.05 182	0.06 102	0.05 107	0.07 258	0.06 199

GANet-ADL	0.13 276	0.07 139	0.15 315	0.17 216	0.10 341	0.18 374	0.15 219	0.30 415	0.20 269	0.13 219	0.18 263	0.19 328	0.12 255	0.16 316	0.13 277	0.08 300	0.06 307	0.06 102	0.05 107	0.07 258	0.08 343

RAFT	0.13 276	0.09 312	0.11 149	0.18 298	0.08 127	0.15 304	0.24 473	0.20 229	0.19 246	0.21 394	0.21 305	0.17 300	0.12 255	0.16 316	0.09 54	0.06 114	0.07 379	0.10 407	0.09 383	0.05 100	0.05 121

TestStereo	0.13 276	0.14 455	0.11 149	0.23 475	0.08 127	0.15 304	0.21 440	0.20 229	0.23 308	0.14 240	0.24 336	0.16 280	0.12 255	0.16 316	0.14 314	0.05 27	0.06 307	0.08 278	0.06 185	0.09 382	0.05 121

sAnonymous2	0.13 276	0.12 414	0.24 450	0.20 410	0.12 420	0.17 355	0.13 104	0.26 350	0.21 284	0.11 154	0.11 147	0.13 217	0.08 141	0.10 61	0.10 123	0.09 359	0.05 182	0.08 278	0.06 185	0.15 498	0.10 414

CroCo_RVC	0.13 276	0.12 414	0.24 450	0.20 410	0.12 420	0.17 355	0.13 104	0.26 350	0.21 284	0.11 154	0.11 147	0.13 217	0.08 141	0.10 61	0.10 123	0.09 359	0.05 182	0.08 278	0.06 185	0.15 498	0.10 414

RAFT + AFF	0.13 276	0.07 139	0.20 423	0.20 410	0.10 341	0.14 278	0.24 473	0.26 350	0.20 269	0.11 154	0.10 117	0.12 192	0.10 199	0.15 282	0.12 236	0.07 239	0.06 307	0.09 359	0.08 337	0.06 192	0.08 343

GMStereo	0.13 276	0.14 455	0.14 264	0.18 298	0.09 239	0.15 304	0.16 284	0.20 229	0.24 324	0.16 295	0.17 238	0.10 154	0.10 199	0.16 316	0.13 277	0.07 239	0.06 307	0.06 102	0.06 185	0.07 258	0.06 199
Haofei Xu, Jing Zhang, Jianfei Cai, Hamid Rezatofighi, Fisher Yu, Dacheng Tao, Andreas Geiger: Unifying Flow, Stereo and Depth Estimation. TPAMI 2023
SFCPSM	0.13 276	0.07 139	0.14 264	0.17 216	0.09 239	0.15 304	0.16 284	0.28 390	0.27 368	0.14 240	0.17 238	0.12 192	0.13 293	0.14 260	0.11 187	0.08 300	0.05 182	0.07 194	0.07 272	0.07 258	0.06 199

FENet	0.13 276	0.08 236	0.12 184	0.16 142	0.08 127	0.14 278	0.15 219	0.22 274	0.23 308	0.17 311	0.23 324	0.16 280	0.12 255	0.14 260	0.15 342	0.08 300	0.05 182	0.08 278	0.08 337	0.07 258	0.07 279

cf-r	0.13 276	0.07 139	0.12 184	0.16 142	0.08 127	0.14 278	0.19 402	0.20 229	0.25 345	0.17 311	0.25 365	0.21 349	0.16 362	0.14 260	0.14 314	0.10 400	0.05 182	0.06 102	0.08 337	0.06 192	0.06 199

iResNet	0.13 276	0.10 370	0.18 400	0.19 355	0.08 127	0.13 246	0.18 363	0.20 229	0.26 359	0.15 267	0.23 324	0.15 266	0.13 293	0.14 260	0.14 314	0.06 114	0.04 21	0.06 102	0.05 107	0.06 192	0.05 121

DN-CSS_ROB	0.13 276	0.13 443	0.16 349	0.18 298	0.10 341	0.16 334	0.08 7	0.22 274	0.18 231	0.17 311	0.22 315	0.13 217	0.13 293	0.12 189	0.13 277	0.05 27	0.05 182	0.10 407	0.10 422	0.08 321	0.06 199

G2L-Stereo_test	0.14 310	0.07 139	0.11 149	0.13 13	0.08 127	0.12 207	0.16 284	0.30 415	0.28 382	0.20 380	0.23 324	0.20 340	0.16 362	0.17 348	0.18 391	0.07 239	0.05 182	0.05 23	0.05 107	0.07 258	0.06 199

coex_refinement	0.14 310	0.07 139	0.12 184	0.17 216	0.10 341	0.15 304	0.15 219	0.26 350	0.29 389	0.18 341	0.20 284	0.22 367	0.17 385	0.16 316	0.18 391	0.08 300	0.05 182	0.06 102	0.06 185	0.09 382	0.08 343

G2L-Stereo	0.14 310	0.07 139	0.13 229	0.17 216	0.09 239	0.13 246	0.12 63	0.27 371	0.22 298	0.16 295	0.27 390	0.21 349	0.13 293	0.17 348	0.18 391	0.09 359	0.08 405	0.08 278	0.07 272	0.07 258	0.07 279

rvit_0105_6	0.14 310	0.09 312	0.18 400	0.17 216	0.10 341	0.10 127	0.16 284	0.19 218	0.26 359	0.12 192	0.18 263	0.17 300	0.12 255	0.18 369	0.12 236	0.15 494	0.11 466	0.12 457	0.10 422	0.09 382	0.06 199

rvit_0105_5	0.14 310	0.09 312	0.13 229	0.17 216	0.09 239	0.14 278	0.23 461	0.24 316	0.27 368	0.14 240	0.15 205	0.18 314	0.12 255	0.17 348	0.14 314	0.14 490	0.11 466	0.10 407	0.10 422	0.08 321	0.06 199

rvit_0105_4	0.14 310	0.09 312	0.17 377	0.17 216	0.10 341	0.12 207	0.19 402	0.23 294	0.27 368	0.14 240	0.20 284	0.17 300	0.13 293	0.17 348	0.13 277	0.15 494	0.11 466	0.11 438	0.10 422	0.09 382	0.06 199

DCVSM-stereo	0.14 310	0.09 312	0.16 349	0.16 142	0.10 341	0.15 304	0.09 18	0.19 218	0.23 308	0.20 380	0.23 324	0.26 414	0.15 336	0.18 369	0.14 314	0.09 359	0.07 379	0.09 359	0.08 337	0.10 414	0.12 453

test_sample6	0.14 310	0.08 236	0.13 229	0.16 142	0.08 127	0.17 355	0.19 402	0.25 332	0.17 205	0.17 311	0.27 390	0.19 328	0.14 318	0.15 282	0.13 277	0.08 300	0.05 182	0.08 278	0.07 272	0.08 321	0.08 343

test_sample5	0.14 310	0.08 236	0.14 264	0.16 142	0.08 127	0.18 374	0.18 363	0.25 332	0.17 205	0.17 311	0.27 390	0.18 314	0.14 318	0.16 316	0.13 277	0.08 300	0.05 182	0.08 278	0.07 272	0.08 321	0.08 343

test_sample4	0.14 310	0.08 236	0.14 264	0.15 70	0.08 127	0.19 397	0.18 363	0.26 350	0.17 205	0.16 295	0.25 365	0.18 314	0.14 318	0.16 316	0.13 277	0.08 300	0.06 307	0.08 278	0.06 185	0.08 321	0.08 343

test_sample3	0.14 310	0.08 236	0.15 315	0.14 30	0.09 239	0.19 397	0.17 318	0.26 350	0.18 231	0.16 295	0.22 315	0.19 328	0.15 336	0.17 348	0.13 277	0.08 300	0.06 307	0.07 194	0.06 185	0.09 382	0.08 343

DispNO	0.14 310	0.08 236	0.17 377	0.19 355	0.12 420	0.11 172	0.21 440	0.23 294	0.29 389	0.17 311	0.23 324	0.18 314	0.17 385	0.15 282	0.15 342	0.07 239	0.05 182	0.08 278	0.08 337	0.07 258	0.06 199

SMFormer	0.14 310	0.07 139	0.17 377	0.14 30	0.08 127	0.16 334	0.17 318	0.26 350	0.27 368	0.19 357	0.20 284	0.18 314	0.15 336	0.15 282	0.17 373	0.08 300	0.05 182	0.07 194	0.06 185	0.07 258	0.06 199

tta	0.14 310	0.07 139	0.17 377	0.14 30	0.08 127	0.16 334	0.17 318	0.26 350	0.27 368	0.19 357	0.20 284	0.18 314	0.15 336	0.15 282	0.17 373	0.08 300	0.05 182	0.07 194	0.06 185	0.06 192	0.06 199

mmm	0.14 310	0.08 236	0.17 377	0.17 216	0.09 239	0.17 355	0.18 363	0.21 252	0.15 159	0.15 267	0.23 324	0.21 349	0.16 362	0.16 316	0.17 373	0.08 300	0.05 182	0.08 278	0.07 272	0.07 258	0.07 279

DualNet	0.14 310	0.08 236	0.14 264	0.16 142	0.08 127	0.18 374	0.18 363	0.25 332	0.17 205	0.17 311	0.27 390	0.18 314	0.14 318	0.16 316	0.13 277	0.08 300	0.05 182	0.08 278	0.07 272	0.08 321	0.08 343

mmx	0.14 310	0.09 312	0.14 264	0.16 142	0.08 127	0.17 355	0.17 318	0.27 371	0.25 345	0.15 267	0.25 365	0.19 328	0.13 293	0.14 260	0.20 410	0.08 300	0.06 307	0.09 359	0.08 337	0.08 321	0.08 343

ttt	0.14 310	0.08 236	0.14 264	0.15 70	0.08 127	0.15 304	0.18 363	0.27 371	0.29 389	0.16 295	0.24 336	0.17 300	0.13 293	0.13 234	0.14 314	0.11 429	0.08 405	0.09 359	0.08 337	0.09 382	0.08 343

xxx	0.14 310	0.09 312	0.14 264	0.16 142	0.08 127	0.17 355	0.17 318	0.27 371	0.25 345	0.15 267	0.25 365	0.19 328	0.13 293	0.14 260	0.20 410	0.08 300	0.06 307	0.09 359	0.08 337	0.08 321	0.08 343

PCWNet_CMD	0.14 310	0.08 236	0.15 315	0.17 216	0.09 239	0.14 278	0.14 152	0.29 401	0.36 445	0.14 240	0.20 284	0.21 349	0.12 255	0.17 348	0.13 277	0.07 239	0.05 182	0.07 194	0.07 272	0.07 258	0.07 279

CBFPSM	0.14 310	0.06 56	0.26 458	0.17 216	0.09 239	0.13 246	0.15 219	0.22 274	0.23 308	0.20 380	0.27 390	0.24 391	0.16 362	0.16 316	0.18 391	0.06 114	0.06 307	0.06 102	0.07 272	0.07 258	0.07 279

gwcnet-sp	0.14 310	0.07 139	0.12 184	0.18 298	0.09 239	0.16 334	0.17 318	0.24 316	0.24 324	0.18 341	0.24 336	0.15 266	0.16 362	0.15 282	0.15 342	0.08 300	0.06 307	0.07 194	0.08 337	0.08 321	0.07 279

scenet	0.14 310	0.07 139	0.12 184	0.18 298	0.09 239	0.16 334	0.17 318	0.24 316	0.24 324	0.18 341	0.24 336	0.15 266	0.16 362	0.15 282	0.15 342	0.08 300	0.06 307	0.07 194	0.08 337	0.08 321	0.07 279

ssnet	0.14 310	0.07 139	0.12 184	0.18 298	0.09 239	0.16 334	0.17 318	0.24 316	0.24 324	0.18 341	0.24 336	0.15 266	0.16 362	0.15 282	0.15 342	0.08 300	0.06 307	0.07 194	0.08 337	0.08 321	0.07 279

BUS	0.14 310	0.09 312	0.14 264	0.22 454	0.10 341	0.19 397	0.14 152	0.34 464	0.19 246	0.17 311	0.22 315	0.16 280	0.13 293	0.15 282	0.13 277	0.08 300	0.06 307	0.10 407	0.09 383	0.07 258	0.07 279

IER	0.14 310	0.07 139	0.13 229	0.17 216	0.09 239	0.14 278	0.16 284	0.25 332	0.26 359	0.18 341	0.25 365	0.17 300	0.20 427	0.16 316	0.14 314	0.08 300	0.05 182	0.07 194	0.06 185	0.08 321	0.07 279

test_5	0.14 310	0.12 414	0.08 30	0.20 410	0.10 341	0.14 278	0.29 518	0.21 252	0.24 324	0.18 341	0.28 404	0.11 175	0.15 336	0.12 189	0.13 277	0.06 114	0.05 182	0.07 194	0.08 337	0.08 321	0.07 279

psmg	0.14 310	0.09 312	0.14 264	0.17 216	0.10 341	0.15 304	0.17 318	0.29 401	0.19 246	0.17 311	0.21 305	0.25 405	0.16 362	0.15 282	0.14 314	0.08 300	0.06 307	0.08 278	0.08 337	0.07 258	0.06 199

UDGNet	0.14 310	0.13 443	0.16 349	0.17 216	0.10 341	0.12 207	0.16 284	0.21 252	0.27 368	0.20 380	0.20 284	0.16 280	0.13 293	0.16 316	0.13 277	0.10 400	0.06 307	0.09 359	0.07 272	0.06 192	0.07 279

CFNet_pseudo	0.14 310	0.08 236	0.15 315	0.16 142	0.09 239	0.13 246	0.14 152	0.27 371	0.34 432	0.14 240	0.21 305	0.22 367	0.13 293	0.18 369	0.14 314	0.07 239	0.05 182	0.08 278	0.06 185	0.07 258	0.07 279

GES	0.14 310	0.08 236	0.16 349	0.15 70	0.10 341	0.13 246	0.13 104	0.28 390	0.25 345	0.16 295	0.23 324	0.18 314	0.13 293	0.16 316	0.13 277	0.08 300	0.07 379	0.07 194	0.06 185	0.08 321	0.09 387

GANet-RSSM	0.14 310	0.07 139	0.13 229	0.13 13	0.08 127	0.14 278	0.17 318	0.22 274	0.21 284	0.17 311	0.24 336	0.23 385	0.15 336	0.16 316	0.15 342	0.10 400	0.06 307	0.07 194	0.08 337	0.08 321	0.07 279

PSMNet-RSSM	0.14 310	0.07 139	0.13 229	0.15 70	0.08 127	0.13 246	0.16 284	0.24 316	0.24 324	0.16 295	0.28 404	0.22 367	0.14 318	0.15 282	0.13 277	0.11 429	0.06 307	0.09 359	0.12 473	0.08 321	0.07 279

GwcNet-RSSM	0.14 310	0.07 139	0.12 184	0.15 70	0.08 127	0.15 304	0.20 423	0.21 252	0.27 368	0.18 341	0.27 390	0.22 367	0.16 362	0.14 260	0.15 342	0.10 400	0.05 182	0.07 194	0.09 383	0.07 258	0.07 279

CFNet-ft	0.14 310	0.07 139	0.15 315	0.12 4	0.09 239	0.16 334	0.18 363	0.22 274	0.24 324	0.17 311	0.26 382	0.24 391	0.14 318	0.16 316	0.14 314	0.11 429	0.06 307	0.08 278	0.09 383	0.09 382	0.08 343

DMCA	0.14 310	0.09 312	0.16 349	0.19 355	0.09 239	0.15 304	0.17 318	0.23 294	0.27 368	0.14 240	0.19 272	0.17 300	0.18 399	0.15 282	0.17 373	0.10 400	0.06 307	0.08 278	0.06 185	0.09 382	0.10 414

RASNet	0.14 310	0.07 139	0.14 264	0.16 142	0.08 127	0.18 374	0.14 152	0.29 401	0.20 269	0.17 311	0.25 365	0.21 349	0.18 399	0.20 409	0.19 404	0.07 239	0.06 307	0.06 102	0.08 337	0.06 192	0.06 199

MSMDNet	0.14 310	0.08 236	0.15 315	0.17 216	0.09 239	0.14 278	0.14 152	0.29 401	0.36 445	0.14 240	0.21 305	0.21 349	0.12 255	0.17 348	0.14 314	0.07 239	0.05 182	0.07 194	0.07 272	0.07 258	0.07 279

HSM-Net_RVC	0.14 310	0.08 236	0.11 149	0.15 70	0.08 127	0.15 304	0.15 219	0.27 371	0.29 389	0.19 357	0.21 305	0.29 440	0.14 318	0.17 348	0.13 277	0.06 114	0.06 307	0.06 102	0.06 185	0.07 258	0.06 199
Gengshan Yang, Joshua Manela, Michael Happold, and Deva Ramanan: Hierarchical Deep Stereo Matching on High-resolution Images. CVPR 2019
CFNet_RVC	0.14 310	0.07 139	0.15 315	0.12 4	0.09 239	0.16 334	0.18 363	0.22 274	0.24 324	0.17 311	0.26 382	0.24 391	0.14 318	0.16 316	0.14 314	0.11 429	0.06 307	0.08 278	0.09 383	0.09 382	0.08 343

ccs_rob	0.14 310	0.08 236	0.15 315	0.16 142	0.09 239	0.12 207	0.14 152	0.27 371	0.34 432	0.14 240	0.21 305	0.22 367	0.13 293	0.18 369	0.14 314	0.07 239	0.05 182	0.08 278	0.07 272	0.07 258	0.07 279

UCFNet_RVC	0.14 310	0.08 236	0.13 229	0.11 1	0.10 341	0.20 412	0.10 27	0.24 316	0.22 298	0.17 311	0.20 284	0.23 385	0.15 336	0.17 348	0.15 342	0.12 454	0.07 379	0.10 407	0.13 483	0.11 437	0.10 414

iResNetv2_ROB	0.14 310	0.08 236	0.15 315	0.16 142	0.08 127	0.16 334	0.12 63	0.25 332	0.35 441	0.21 394	0.29 416	0.24 391	0.13 293	0.14 260	0.14 314	0.06 114	0.05 182	0.06 102	0.04 34	0.09 382	0.08 343

iResNet_ROB	0.14 310	0.07 139	0.13 229	0.14 30	0.07 71	0.18 374	0.14 152	0.26 350	0.31 406	0.22 410	0.25 365	0.23 385	0.15 336	0.15 282	0.13 277	0.07 239	0.05 182	0.05 23	0.04 34	0.08 321	0.08 343

DDVS	0.15 354	0.10 370	0.21 431	0.16 142	0.12 420	0.15 304	0.14 152	0.25 332	0.19 246	0.18 341	0.29 416	0.27 422	0.12 255	0.19 384	0.15 342	0.09 359	0.06 307	0.09 359	0.07 272	0.11 437	0.11 440

rvit_0105_3	0.15 354	0.09 312	0.14 264	0.19 355	0.12 420	0.15 304	0.25 488	0.25 332	0.29 389	0.15 267	0.17 238	0.20 340	0.13 293	0.17 348	0.14 314	0.13 477	0.11 466	0.12 457	0.14 486	0.07 258	0.06 199

ACV-stereo	0.15 354	0.10 370	0.28 470	0.18 298	0.12 420	0.14 278	0.12 63	0.23 294	0.21 284	0.19 357	0.23 324	0.22 367	0.15 336	0.23 450	0.17 373	0.07 239	0.06 307	0.07 194	0.07 272	0.07 258	0.07 279

ITSA-stereo	0.15 354	0.10 370	0.14 264	0.19 355	0.08 127	0.12 207	0.14 152	0.30 415	0.49 503	0.17 311	0.19 272	0.22 367	0.15 336	0.17 348	0.16 358	0.10 400	0.06 307	0.08 278	0.08 337	0.08 321	0.08 343

test_sample7	0.15 354	0.10 370	0.16 349	0.14 30	0.11 389	0.16 334	0.16 284	0.27 371	0.23 308	0.20 380	0.20 284	0.24 391	0.19 415	0.16 316	0.16 358	0.12 454	0.06 307	0.10 407	0.09 383	0.10 414	0.10 414

1111x	0.15 354	0.08 236	0.12 184	0.18 298	0.07 71	0.18 374	0.25 488	0.31 425	0.24 324	0.17 311	0.24 336	0.26 414	0.15 336	0.13 234	0.23 451	0.07 239	0.07 379	0.08 278	0.09 383	0.07 258	0.06 199

CFNet_ucs	0.15 354	0.08 236	0.16 349	0.16 142	0.11 389	0.14 278	0.14 152	0.30 415	0.34 432	0.16 295	0.24 336	0.23 385	0.14 318	0.18 369	0.15 342	0.09 359	0.06 307	0.08 278	0.07 272	0.09 382	0.09 387

BSDual-CNN	0.15 354	0.09 312	0.14 264	0.22 454	0.10 341	0.14 278	0.15 219	0.34 464	0.19 246	0.17 311	0.22 315	0.25 405	0.16 362	0.15 282	0.14 314	0.08 300	0.06 307	0.10 407	0.09 383	0.07 258	0.07 279

hknet	0.15 354	0.11 396	0.13 229	0.22 454	0.11 389	0.14 278	0.15 219	0.34 464	0.25 345	0.17 311	0.22 315	0.22 367	0.18 399	0.17 348	0.12 236	0.07 239	0.06 307	0.10 407	0.09 383	0.07 258	0.07 279

dd	0.15 354	0.16 473	0.16 349	0.19 355	0.09 239	0.15 304	0.18 363	0.21 252	0.25 345	0.23 422	0.20 284	0.21 349	0.09 167	0.21 426	0.16 358	0.10 400	0.06 307	0.08 278	0.06 185	0.08 321	0.06 199

DAS	0.15 354	0.08 236	0.18 400	0.19 355	0.10 341	0.19 397	0.17 318	0.27 371	0.29 389	0.18 341	0.25 365	0.21 349	0.15 336	0.16 316	0.12 236	0.08 300	0.06 307	0.06 102	0.06 185	0.07 258	0.07 279

SepStereo	0.15 354	0.08 236	0.18 400	0.19 355	0.10 341	0.19 397	0.17 318	0.27 371	0.29 389	0.18 341	0.25 365	0.21 349	0.15 336	0.25 464	0.12 236	0.08 300	0.06 307	0.06 102	0.06 185	0.07 258	0.07 279

PSMNet-ADL	0.15 354	0.12 414	0.13 229	0.22 454	0.09 239	0.13 246	0.20 423	0.26 350	0.23 308	0.18 341	0.20 284	0.24 391	0.16 362	0.18 369	0.17 373	0.08 300	0.08 405	0.08 278	0.11 454	0.08 321	0.07 279

LMCR-Stereo	0.15 354	0.08 236	0.13 229	0.21 439	0.09 239	0.17 355	0.20 423	0.27 371	0.19 246	0.24 431	0.24 336	0.23 385	0.17 385	0.20 409	0.17 373	0.07 239	0.06 307	0.08 278	0.06 185	0.10 414	0.08 343

ICVP	0.15 354	0.09 312	0.12 184	0.22 454	0.09 239	0.17 355	0.21 440	0.25 332	0.23 308	0.18 341	0.30 422	0.26 414	0.18 399	0.17 348	0.14 314	0.09 359	0.07 379	0.08 278	0.07 272	0.07 258	0.07 279
Kwon, Oh-Hun and Zell, Eduard: Image-Coupled Volume Propagation for Stereo Matching. 2023 IEEE International Conference on Image Processing (ICIP)
xxxx	0.15 354	0.07 139	0.14 264	0.14 30	0.08 127	0.23 450	0.18 363	0.31 425	0.19 246	0.14 240	0.28 404	0.22 367	0.14 318	0.15 282	0.26 484	0.09 359	0.05 182	0.07 194	0.07 272	0.08 321	0.07 279

test_xeample	0.15 354	0.06 56	0.13 229	0.14 30	0.08 127	0.21 429	0.20 423	0.28 390	0.20 269	0.16 295	0.29 416	0.19 328	0.16 362	0.15 282	0.26 484	0.09 359	0.05 182	0.07 194	0.07 272	0.07 258	0.07 279

ACVNet	0.15 354	0.09 312	0.15 315	0.13 13	0.12 420	0.14 278	0.20 423	0.22 274	0.33 420	0.17 311	0.26 382	0.21 349	0.16 362	0.17 348	0.21 430	0.07 239	0.06 307	0.06 102	0.06 185	0.08 321	0.06 199

acv_ft	0.15 354	0.09 312	0.15 315	0.19 355	0.10 341	0.16 334	0.17 318	0.25 332	0.33 420	0.19 357	0.26 382	0.21 349	0.17 385	0.17 348	0.18 391	0.07 239	0.06 307	0.06 102	0.06 185	0.08 321	0.06 199

CFNet	0.15 354	0.10 370	0.17 377	0.17 216	0.08 127	0.18 374	0.09 18	0.28 390	0.25 345	0.19 357	0.24 336	0.24 391	0.17 385	0.17 348	0.14 314	0.08 300	0.06 307	0.09 359	0.10 422	0.07 258	0.06 199

AdaStereo	0.15 354	0.11 396	0.15 315	0.18 298	0.09 239	0.20 412	0.11 46	0.32 436	0.28 382	0.20 380	0.23 324	0.20 340	0.13 293	0.19 384	0.14 314	0.12 454	0.05 182	0.10 407	0.07 272	0.09 382	0.07 279
Xiao Song, Guorun Yang, Xinge Zhu, Hui Zhou, Zhe Wang, Jianping Shi: AdaStereo: A Simple and Efficient Approach for Adaptive Stereo Matching. IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR) 2021.
HSM	0.15 354	0.08 236	0.14 264	0.16 142	0.09 239	0.16 334	0.14 152	0.28 390	0.25 345	0.19 357	0.23 324	0.37 491	0.16 362	0.20 409	0.15 342	0.07 239	0.05 182	0.07 194	0.06 185	0.07 258	0.06 199

pmcnn	0.15 354	0.07 139	0.19 411	0.15 70	0.07 71	0.20 412	0.15 219	0.24 316	0.26 359	0.21 394	0.34 450	0.28 432	0.18 399	0.18 369	0.17 373	0.07 239	0.05 182	0.05 23	0.04 34	0.07 258	0.06 199

DualNet (step1)	0.16 377	0.12 414	0.20 423	0.12 4	0.14 463	0.17 355	0.13 104	0.27 371	0.23 308	0.20 380	0.20 284	0.24 391	0.19 415	0.16 316	0.16 358	0.15 494	0.06 307	0.14 484	0.14 486	0.14 483	0.12 453

GMStereo_Zeroshot	0.16 377	0.13 443	0.24 450	0.20 410	0.10 341	0.17 355	0.13 104	0.29 401	0.25 345	0.23 422	0.32 434	0.25 405	0.11 224	0.19 384	0.14 314	0.09 359	0.06 307	0.11 438	0.06 185	0.12 452	0.08 343

iinet-f	0.16 377	0.06 56	0.45 513	0.14 30	0.10 341	0.21 429	0.14 152	0.27 371	0.23 308	0.21 394	0.24 336	0.21 349	0.15 336	0.18 369	0.21 430	0.09 359	0.07 379	0.07 194	0.06 185	0.09 382	0.10 414

CRFU-Net	0.16 377	0.08 236	0.14 264	0.17 216	0.09 239	0.19 397	0.14 152	0.26 350	0.20 269	0.28 470	0.27 390	0.29 440	0.17 385	0.19 384	0.17 373	0.09 359	0.09 434	0.07 194	0.07 272	0.08 321	0.08 343

NINENet	0.16 377	0.10 370	0.15 315	0.17 216	0.11 389	0.19 397	0.14 152	0.40 508	0.36 445	0.18 341	0.21 305	0.16 280	0.13 293	0.15 282	0.13 277	0.08 300	0.08 405	0.10 407	0.07 272	0.10 414	0.09 387

CSP-Net	0.16 377	0.09 312	0.14 264	0.16 142	0.09 239	0.19 397	0.17 318	0.25 332	0.32 413	0.25 444	0.30 422	0.24 391	0.15 336	0.21 426	0.18 391	0.09 359	0.06 307	0.07 194	0.07 272	0.08 321	0.07 279

AASNet	0.16 377	0.08 236	0.12 184	0.19 355	0.09 239	0.18 374	0.15 219	0.37 492	0.37 452	0.19 357	0.23 324	0.20 340	0.16 362	0.17 348	0.20 410	0.10 400	0.08 405	0.08 278	0.07 272	0.09 382	0.09 387

AACVNet	0.16 377	0.08 236	0.14 264	0.15 70	0.10 341	0.18 374	0.15 219	0.23 294	0.24 324	0.27 455	0.27 390	0.28 432	0.17 385	0.19 384	0.16 358	0.09 359	0.07 379	0.09 359	0.07 272	0.10 414	0.09 387

ADLNet2	0.16 377	0.09 312	0.13 229	0.16 142	0.09 239	0.20 412	0.16 284	0.31 425	0.39 462	0.16 295	0.20 284	0.20 340	0.18 399	0.21 426	0.22 439	0.08 300	0.06 307	0.07 194	0.07 272	0.09 382	0.07 279

Anonymous3	0.16 377	0.13 443	0.33 489	0.26 500	0.14 463	0.27 485	0.17 318	0.28 390	0.28 382	0.15 267	0.17 238	0.14 237	0.10 199	0.15 282	0.12 236	0.08 300	0.08 405	0.08 278	0.08 337	0.08 321	0.11 440

ADLNet	0.16 377	0.08 236	0.15 315	0.16 142	0.10 341	0.16 334	0.17 318	0.32 436	0.27 368	0.22 410	0.27 390	0.24 391	0.16 362	0.18 369	0.21 430	0.10 400	0.06 307	0.10 407	0.10 422	0.08 321	0.09 387

HCRNet	0.16 377	0.24 516	0.12 184	0.35 531	0.11 389	0.15 304	0.17 318	0.26 350	0.22 298	0.19 357	0.24 336	0.21 349	0.14 318	0.15 282	0.13 277	0.11 429	0.07 379	0.11 438	0.10 422	0.09 382	0.07 279

222	0.16 377	0.07 139	0.14 264	0.14 30	0.08 127	0.24 455	0.18 363	0.30 415	0.20 269	0.17 311	0.28 404	0.17 300	0.16 362	0.15 282	0.40 534	0.10 400	0.05 182	0.07 194	0.06 185	0.07 258	0.08 343

UPFNet	0.16 377	0.08 236	0.12 184	0.20 410	0.12 420	0.20 412	0.23 461	0.28 390	0.26 359	0.17 311	0.24 336	0.22 367	0.19 415	0.19 384	0.21 430	0.09 359	0.07 379	0.08 278	0.09 383	0.08 321	0.06 199

ac_64	0.16 377	0.08 236	0.15 315	0.18 298	0.10 341	0.22 437	0.18 363	0.24 316	0.21 284	0.18 341	0.24 336	0.29 440	0.18 399	0.19 384	0.22 439	0.09 359	0.07 379	0.08 278	0.09 383	0.07 258	0.06 199

DSFCA	0.16 377	0.09 312	0.14 264	0.16 142	0.10 341	0.20 412	0.19 402	0.28 390	0.31 406	0.23 422	0.24 336	0.22 367	0.15 336	0.19 384	0.20 410	0.10 400	0.07 379	0.09 359	0.09 383	0.08 321	0.08 343

FADNet-RVC-Resample	0.16 377	0.11 396	0.31 483	0.22 454	0.11 389	0.19 397	0.14 152	0.25 332	0.24 324	0.24 431	0.27 390	0.20 340	0.15 336	0.16 316	0.15 342	0.07 239	0.08 405	0.12 457	0.10 422	0.09 382	0.10 414

FADNet_RVC	0.16 377	0.14 455	0.40 506	0.20 410	0.11 389	0.13 246	0.13 104	0.26 350	0.22 298	0.21 394	0.23 324	0.20 340	0.17 385	0.14 260	0.16 358	0.08 300	0.08 405	0.12 457	0.09 383	0.11 437	0.10 414

AANet_RVC	0.16 377	0.10 370	0.10 108	0.18 298	0.09 239	0.18 374	0.19 402	0.26 350	0.31 406	0.22 410	0.35 454	0.21 349	0.21 431	0.22 439	0.16 358	0.06 114	0.05 182	0.06 102	0.06 185	0.07 258	0.06 199

DeepPruner_ROB	0.16 377	0.11 396	0.15 315	0.17 216	0.10 341	0.17 355	0.15 219	0.32 436	0.21 284	0.19 357	0.21 305	0.22 367	0.18 399	0.20 409	0.15 342	0.13 477	0.09 434	0.09 359	0.09 383	0.11 437	0.10 414

z-ln-s-r	0.17 397	0.10 370	0.40 506	0.19 355	0.08 127	0.17 355	0.18 363	0.22 274	0.33 420	0.18 341	0.40 483	0.22 367	0.17 385	0.20 409	0.23 451	0.07 239	0.05 182	0.07 194	0.07 272	0.07 258	0.05 121

rvit_stereo_0075_2	0.17 397	0.12 414	0.25 455	0.23 475	0.16 491	0.13 246	0.10 27	0.30 415	0.27 368	0.20 380	0.28 404	0.22 367	0.15 336	0.18 369	0.13 277	0.16 510	0.10 454	0.17 504	0.10 422	0.10 414	0.09 387

ToySt	0.17 397	0.11 396	0.18 400	0.17 216	0.11 389	0.16 334	0.25 488	0.24 316	0.33 420	0.19 357	0.24 336	0.26 414	0.24 454	0.19 384	0.20 410	0.07 239	0.08 405	0.09 359	0.10 422	0.09 382	0.08 343

ssnet_v2	0.17 397	0.10 370	0.17 377	0.17 216	0.11 389	0.21 429	0.21 440	0.33 455	0.25 345	0.22 410	0.22 315	0.27 422	0.18 399	0.22 439	0.20 410	0.11 429	0.09 434	0.09 359	0.09 383	0.08 321	0.08 343

dad	0.17 397	0.20 502	0.20 423	0.16 142	0.11 389	0.20 412	0.18 363	0.21 252	0.28 382	0.30 482	0.24 336	0.29 440	0.13 293	0.19 384	0.16 358	0.18 516	0.09 434	0.11 438	0.09 383	0.11 437	0.07 279

GEStereo_RVC	0.17 397	0.12 414	0.15 315	0.22 454	0.11 389	0.19 397	0.17 318	0.32 436	0.48 497	0.20 380	0.25 365	0.17 300	0.13 293	0.21 426	0.16 358	0.10 400	0.06 307	0.08 278	0.07 272	0.09 382	0.08 343

MMNet	0.17 397	0.09 312	0.16 349	0.20 410	0.11 389	0.27 485	0.20 423	0.25 332	0.41 471	0.22 410	0.30 422	0.21 349	0.20 427	0.17 348	0.20 410	0.06 114	0.06 307	0.07 194	0.07 272	0.08 321	0.07 279

delet	0.17 397	0.08 236	0.17 377	0.19 355	0.11 389	0.20 412	0.21 440	0.30 415	0.37 452	0.17 311	0.26 382	0.19 328	0.19 415	0.19 384	0.21 430	0.08 300	0.08 405	0.09 359	0.11 454	0.06 192	0.06 199

UNet	0.17 397	0.09 312	0.18 400	0.19 355	0.12 420	0.27 485	0.19 402	0.33 455	0.29 389	0.21 394	0.24 336	0.23 385	0.19 415	0.19 384	0.18 391	0.07 239	0.06 307	0.08 278	0.07 272	0.08 321	0.06 199

HGLStereo	0.17 397	0.08 236	0.19 411	0.17 216	0.12 420	0.18 374	0.18 363	0.31 425	0.32 413	0.21 394	0.32 434	0.25 405	0.18 399	0.19 384	0.20 410	0.09 359	0.09 434	0.07 194	0.07 272	0.09 382	0.10 414

DMCA-RVC	0.17 397	0.10 370	0.15 315	0.24 484	0.11 389	0.18 374	0.18 363	0.25 332	0.24 324	0.21 394	0.26 382	0.25 405	0.27 477	0.18 369	0.20 410	0.12 454	0.08 405	0.13 472	0.10 422	0.10 414	0.08 343

TDLM	0.17 397	0.12 414	0.13 229	0.24 484	0.10 341	0.18 374	0.18 363	0.36 486	0.30 399	0.21 394	0.28 404	0.28 432	0.18 399	0.23 450	0.18 391	0.11 429	0.07 379	0.10 407	0.10 422	0.08 321	0.08 343

NLCA_NET_v2_RVC	0.17 397	0.10 370	0.22 437	0.20 410	0.10 341	0.15 304	0.18 363	0.31 425	0.25 345	0.21 394	0.30 422	0.25 405	0.17 385	0.21 426	0.20 410	0.09 359	0.06 307	0.08 278	0.08 337	0.07 258	0.08 343
Zhibo Rao, Mingyi He, Yuchao Dai, Zhidong Zhu, Bo Li, and Renjie He.: NLCA-Net: A non-local context attention network for stereo matching.
StereoDRNet-Refined	0.17 397	0.12 414	0.15 315	0.20 410	0.09 239	0.18 374	0.18 363	0.26 350	0.23 308	0.26 449	0.40 483	0.22 367	0.17 385	0.21 426	0.20 410	0.08 300	0.05 182	0.09 359	0.10 422	0.07 258	0.07 279
Rohan Chabra, Julian Straub, Chris Sweeney, Richard Newcombe, Henry Fuchs: StereoDRNet. CVPR
ISRNet	0.18 411	0.08 236	0.19 411	0.19 355	0.13 443	0.15 304	0.12 63	0.30 415	0.32 413	0.21 394	0.25 365	0.27 422	0.17 385	0.17 348	0.20 410	0.20 523	0.08 405	0.14 484	0.14 486	0.14 483	0.17 515

test_sample9	0.18 411	0.12 414	0.20 423	0.12 4	0.14 463	0.17 355	0.13 104	0.27 371	0.23 308	0.20 380	0.20 284	0.24 391	0.19 415	0.19 384	0.17 373	0.15 494	0.30 541	0.14 484	0.14 486	0.14 483	0.12 453

fast-acv-ft	0.18 411	0.11 396	0.19 411	0.19 355	0.12 420	0.24 455	0.21 440	0.25 332	0.34 432	0.22 410	0.34 450	0.27 422	0.20 427	0.21 426	0.23 451	0.09 359	0.09 434	0.08 278	0.10 422	0.08 321	0.07 279

HBP-ISP	0.18 411	0.13 443	0.16 349	0.15 70	0.11 389	0.08 51	0.13 104	0.28 390	0.29 389	0.22 410	0.33 446	0.21 349	0.25 463	0.23 450	0.17 373	0.14 490	0.16 511	0.21 518	0.17 512	0.10 414	0.08 343

Wz-Net-LNSev-Ref	0.18 411	0.09 312	0.29 478	0.15 70	0.10 341	0.22 437	0.20 423	0.26 350	0.39 462	0.25 444	0.42 500	0.24 391	0.15 336	0.20 409	0.19 404	0.07 239	0.05 182	0.06 102	0.05 107	0.10 414	0.09 387

SACVNet	0.18 411	0.12 414	0.14 264	0.17 216	0.13 443	0.22 437	0.18 363	0.31 425	0.30 399	0.23 422	0.31 430	0.30 449	0.22 440	0.22 439	0.17 373	0.11 429	0.08 405	0.10 407	0.10 422	0.12 452	0.14 489

psm_up	0.18 411	0.10 370	0.18 400	0.20 410	0.11 389	0.17 355	0.19 402	0.37 492	0.34 432	0.21 394	0.28 404	0.29 440	0.24 454	0.20 409	0.22 439	0.09 359	0.10 454	0.11 438	0.11 454	0.08 321	0.08 343

hitnet-ft	0.18 411	0.09 312	0.17 377	0.14 30	0.09 239	0.26 475	0.20 423	0.25 332	0.26 359	0.24 431	0.32 434	0.31 462	0.22 440	0.24 459	0.21 430	0.12 454	0.07 379	0.10 407	0.08 337	0.12 452	0.11 440

STTStereo	0.18 411	0.12 414	0.27 465	0.20 410	0.11 389	0.16 334	0.21 440	0.29 401	0.23 308	0.21 394	0.30 422	0.29 440	0.18 399	0.20 409	0.19 404	0.12 454	0.11 466	0.11 438	0.14 486	0.09 382	0.08 343

CVANet_RVC	0.18 411	0.10 370	0.14 264	0.21 439	0.10 341	0.18 374	0.17 318	0.34 464	0.33 420	0.22 410	0.31 430	0.28 432	0.18 399	0.23 450	0.17 373	0.12 454	0.08 405	0.12 457	0.11 454	0.09 382	0.07 279

StereoDRNet	0.18 411	0.11 396	0.17 377	0.22 454	0.11 389	0.21 429	0.22 450	0.37 492	0.33 420	0.24 431	0.28 404	0.30 449	0.19 415	0.20 409	0.20 410	0.09 359	0.08 405	0.11 438	0.09 383	0.09 382	0.07 279

DLCB_ROB	0.18 411	0.10 370	0.15 315	0.23 475	0.11 389	0.24 455	0.18 363	0.29 401	0.28 382	0.27 455	0.28 404	0.28 432	0.24 454	0.19 384	0.20 410	0.08 300	0.08 405	0.09 359	0.09 383	0.07 258	0.07 279

TCMNet	0.19 423	0.12 414	0.19 411	0.20 410	0.18 512	0.20 412	0.24 473	0.27 371	0.36 445	0.23 422	0.26 382	0.25 405	0.19 415	0.19 384	0.23 451	0.13 477	0.11 466	0.11 438	0.12 473	0.13 470	0.12 453

rvit_105_1	0.19 423	0.11 396	0.25 455	0.21 439	0.16 491	0.21 429	0.27 503	0.31 425	0.41 471	0.19 357	0.20 284	0.22 367	0.17 385	0.19 384	0.17 373	0.12 454	0.12 480	0.13 472	0.15 501	0.08 321	0.07 279

test_sample8	0.19 423	0.12 414	0.20 423	0.12 4	0.14 463	0.17 355	0.13 104	0.31 425	0.21 284	0.27 455	0.22 315	0.36 486	0.25 463	0.19 384	0.17 373	0.15 494	0.30 541	0.14 484	0.14 486	0.14 483	0.12 453

SDNR	0.19 423	0.08 236	0.19 411	0.16 142	0.12 420	0.77 556	0.14 152	0.25 332	0.32 413	0.19 357	0.24 336	0.19 328	0.13 293	0.19 384	0.15 342	0.16 510	0.18 518	0.14 484	0.11 454	0.08 321	0.11 440

pcwnet_v2	0.19 423	0.10 370	0.26 458	0.17 216	0.14 463	0.18 374	0.15 219	0.37 492	0.46 495	0.19 357	0.24 336	0.21 349	0.19 415	0.20 409	0.19 404	0.13 477	0.10 454	0.10 407	0.10 422	0.11 437	0.13 472

ADCRef	0.19 423	0.12 414	0.41 509	0.20 410	0.12 420	0.22 437	0.18 363	0.32 436	0.36 445	0.26 449	0.32 434	0.17 300	0.23 448	0.24 459	0.24 464	0.07 239	0.06 307	0.09 359	0.09 383	0.08 321	0.08 343

NVstereo2D	0.19 423	0.10 370	0.15 315	0.17 216	0.15 481	0.28 492	0.23 461	0.44 525	0.42 478	0.15 267	0.27 390	0.25 405	0.19 415	0.22 439	0.17 373	0.09 359	0.06 307	0.10 407	0.08 337	0.15 498	0.09 387

DRN-Test	0.19 423	0.11 396	0.20 423	0.22 454	0.10 341	0.22 437	0.22 450	0.39 504	0.37 452	0.24 431	0.32 434	0.26 414	0.21 431	0.22 439	0.24 464	0.11 429	0.07 379	0.11 438	0.10 422	0.09 382	0.07 279

DISCO	0.19 423	0.09 312	0.22 437	0.17 216	0.10 341	0.25 466	0.18 363	0.27 371	0.44 488	0.22 410	0.31 430	0.33 474	0.26 469	0.28 480	0.28 499	0.08 300	0.06 307	0.07 194	0.07 272	0.09 382	0.09 387

CBMV_ROB	0.19 423	0.13 443	0.17 377	0.16 142	0.11 389	0.15 304	0.13 104	0.26 350	0.28 382	0.27 455	0.30 422	0.27 422	0.24 454	0.23 450	0.16 358	0.15 494	0.17 516	0.22 522	0.20 518	0.10 414	0.11 440

NOSS_ROB	0.19 423	0.12 414	0.18 400	0.16 142	0.12 420	0.15 304	0.12 63	0.30 415	0.32 413	0.20 380	0.22 315	0.27 422	0.23 448	0.21 426	0.16 358	0.16 510	0.18 518	0.23 523	0.21 520	0.12 452	0.13 472

CBMV	0.19 423	0.14 455	0.17 377	0.18 298	0.10 341	0.20 412	0.11 46	0.29 401	0.30 399	0.29 478	0.30 422	0.30 449	0.23 448	0.27 469	0.19 404	0.13 477	0.15 508	0.17 504	0.16 505	0.10 414	0.10 414
Konstantinos Batsos, Changjiang Cai, Philippos Mordohai: CBMV: A Coalesced Bidirectional Matching Volume for Disparity Estimation. Computer Vision and Pattern Recognition (CVPR) 2018
w-ln-seven-2	0.20 435	0.14 455	0.37 502	0.22 454	0.12 420	0.20 412	0.21 440	0.28 390	0.37 452	0.25 444	0.37 463	0.27 422	0.22 440	0.21 426	0.23 451	0.08 300	0.08 405	0.09 359	0.09 383	0.10 414	0.09 387

YMNet	0.20 435	0.12 414	0.19 411	0.20 410	0.14 463	0.26 475	0.23 461	0.32 436	0.34 432	0.27 455	0.34 450	0.30 449	0.18 399	0.18 369	0.22 439	0.10 400	0.13 493	0.10 407	0.10 422	0.08 321	0.09 387

YMNet_1	0.20 435	0.12 414	0.19 411	0.20 410	0.14 463	0.26 475	0.23 461	0.32 436	0.34 432	0.27 455	0.34 450	0.30 449	0.18 399	0.18 369	0.22 439	0.10 400	0.13 493	0.10 407	0.10 422	0.08 321	0.09 387

GwcNet	0.20 435	0.13 443	0.19 411	0.18 298	0.12 420	0.24 455	0.19 402	0.35 479	0.43 483	0.20 380	0.32 434	0.33 474	0.20 427	0.22 439	0.24 464	0.11 429	0.09 434	0.09 359	0.09 383	0.09 382	0.10 414

FAT-Stereo	0.20 435	0.12 414	0.22 437	0.21 439	0.12 420	0.17 355	0.18 363	0.34 464	0.39 462	0.27 455	0.37 463	0.34 480	0.32 506	0.21 426	0.20 410	0.09 359	0.11 466	0.10 407	0.09 383	0.11 437	0.14 489

FADNet-RVC	0.20 435	0.20 502	0.38 503	0.21 439	0.16 491	0.20 412	0.15 219	0.26 350	0.26 359	0.26 449	0.32 434	0.26 414	0.21 431	0.22 439	0.19 404	0.12 454	0.13 493	0.12 457	0.14 486	0.13 470	0.18 518

S-Stereo	0.20 435	0.12 414	0.25 455	0.21 439	0.13 443	0.20 412	0.18 363	0.32 436	0.43 483	0.23 422	0.36 457	0.28 432	0.30 498	0.19 384	0.22 439	0.09 359	0.12 480	0.10 407	0.10 422	0.13 470	0.13 472

SuperB	0.20 435	0.10 370	0.56 529	0.16 142	0.09 239	0.18 374	0.18 363	0.24 316	0.50 506	0.26 449	0.39 477	0.17 300	0.21 431	0.22 439	0.21 430	0.08 300	0.06 307	0.06 102	0.06 185	0.12 452	0.10 414

ADCP+	0.20 435	0.10 370	0.33 489	0.20 410	0.12 420	0.22 437	0.26 496	0.31 425	0.34 432	0.26 449	0.37 463	0.22 367	0.22 440	0.27 469	0.27 492	0.09 359	0.06 307	0.08 278	0.08 337	0.09 382	0.10 414

PS-NSSS	0.20 435	0.21 508	0.23 446	0.20 410	0.10 341	0.19 397	0.17 318	0.36 486	0.25 345	0.27 455	0.33 446	0.27 422	0.24 454	0.20 409	0.20 410	0.15 494	0.12 480	0.17 504	0.14 486	0.10 414	0.08 343

PWCDC_ROB	0.20 435	0.13 443	0.22 437	0.24 484	0.11 389	0.19 397	0.15 219	0.33 455	0.54 515	0.29 478	0.50 515	0.21 349	0.15 336	0.27 469	0.20 410	0.11 429	0.09 434	0.10 407	0.08 337	0.11 437	0.09 387

SGM-Forest	0.20 435	0.14 455	0.18 400	0.19 355	0.13 443	0.20 412	0.22 450	0.33 455	0.30 399	0.24 431	0.29 416	0.28 432	0.19 415	0.23 450	0.17 373	0.15 494	0.16 511	0.15 496	0.14 486	0.12 452	0.12 453
Johannes L. SchÃ¶nberger, Sudipta Sinha, Marc Pollefeys: Learning to Fuse Proposals from Multiple Scanline Optimizations in Semi-Global Matching. ECCV 2018
UDG	0.21 447	0.17 484	0.19 411	0.23 475	0.15 481	0.30 499	0.20 423	0.33 455	0.35 441	0.23 422	0.28 404	0.31 462	0.27 477	0.20 409	0.22 439	0.15 494	0.12 480	0.13 472	0.09 383	0.14 483	0.14 489

FINET	0.21 447	0.18 495	0.26 458	0.18 298	0.16 491	0.23 450	0.23 461	0.32 436	0.48 497	0.25 444	0.32 434	0.22 367	0.22 440	0.22 439	0.17 373	0.18 516	0.16 511	0.11 438	0.10 422	0.15 498	0.13 472

Syn2CoEx	0.21 447	0.16 473	0.27 465	0.29 522	0.14 463	0.26 475	0.20 423	0.33 455	0.31 406	0.28 470	0.36 457	0.27 422	0.25 463	0.19 384	0.24 464	0.16 510	0.12 480	0.14 484	0.11 454	0.09 382	0.08 343

FADNet	0.21 447	0.22 512	0.36 498	0.18 298	0.17 506	0.24 455	0.13 104	0.31 425	0.31 406	0.23 422	0.25 365	0.27 422	0.21 431	0.19 384	0.15 342	0.13 477	0.15 508	0.12 457	0.15 501	0.16 505	0.18 518

RP	0.21 447	0.13 443	0.21 431	0.23 475	0.11 389	0.21 429	0.20 423	0.25 332	0.44 488	0.21 394	0.38 469	0.36 486	0.24 454	0.27 469	0.25 473	0.11 429	0.12 480	0.13 472	0.12 473	0.12 452	0.14 489

DANet	0.21 447	0.15 465	0.28 470	0.25 495	0.13 443	0.22 437	0.19 402	0.27 371	0.27 368	0.28 470	0.32 434	0.35 484	0.31 502	0.31 490	0.23 451	0.11 429	0.09 434	0.11 438	0.10 422	0.13 470	0.11 440
Z Ling, K Yang, J Li, Y Zhang, X Gao, L Luo, L Xie: Domain-adaptive modules for stereo matching network. Neurocomputing 2021
GANet	0.21 447	0.12 414	0.21 431	0.24 484	0.13 443	0.22 437	0.22 450	0.41 514	0.26 359	0.31 488	0.42 500	0.37 491	0.28 486	0.23 450	0.22 439	0.10 400	0.12 480	0.10 407	0.09 383	0.10 414	0.08 343

PWC_ROB	0.21 447	0.16 473	0.26 458	0.18 298	0.11 389	0.22 437	0.13 104	0.32 436	0.49 503	0.30 482	0.40 483	0.32 471	0.24 454	0.31 490	0.22 439	0.10 400	0.07 379	0.11 438	0.08 337	0.11 437	0.10 414

PSMNet_ROB	0.21 447	0.11 396	0.15 315	0.27 512	0.15 481	0.24 455	0.35 535	0.43 523	0.37 452	0.27 455	0.32 434	0.32 471	0.22 440	0.21 426	0.26 484	0.12 454	0.08 405	0.13 472	0.11 454	0.09 382	0.09 387

MSAF-DinoV2	0.22 456	0.11 396	0.23 446	0.17 216	0.10 341	0.27 485	0.16 284	0.37 492	0.55 516	0.21 394	0.27 390	0.47 524	0.27 477	0.35 509	0.39 531	0.09 359	0.06 307	0.07 194	0.09 383	0.12 452	0.10 414

GASNet	0.22 456	0.23 513	0.33 489	0.26 500	0.17 506	0.26 475	0.16 284	0.44 525	0.42 478	0.27 455	0.24 336	0.30 449	0.15 336	0.27 469	0.18 391	0.12 454	0.08 405	0.12 457	0.11 454	0.16 505	0.07 279

Anonymous_2	0.22 456	0.17 484	0.28 470	0.15 70	0.16 491	0.32 501	0.22 450	0.22 274	0.17 205	0.23 422	0.24 336	0.26 414	0.27 477	0.27 469	0.23 451	0.22 531	0.25 537	0.17 504	0.17 512	0.17 512	0.17 515

Wz-Net-LNSev	0.22 456	0.16 473	0.38 503	0.21 439	0.13 443	0.25 466	0.23 461	0.32 436	0.43 483	0.30 482	0.41 494	0.31 462	0.18 399	0.22 439	0.25 473	0.10 400	0.09 434	0.08 278	0.08 337	0.12 452	0.11 440

Wz-Net-MNSev	0.22 456	0.13 443	0.31 483	0.20 410	0.14 463	0.36 519	0.24 473	0.33 455	0.44 488	0.28 470	0.40 483	0.38 495	0.19 415	0.24 459	0.25 473	0.09 359	0.07 379	0.09 359	0.09 383	0.12 452	0.10 414

DDUNet	0.22 456	0.17 484	0.21 431	0.22 454	0.15 481	0.25 466	0.24 473	0.29 401	0.30 399	0.31 488	0.36 457	0.33 474	0.25 463	0.24 459	0.20 410	0.18 516	0.13 493	0.17 504	0.11 454	0.16 505	0.16 507

APVNet	0.22 456	0.12 414	0.19 411	0.18 298	0.14 463	0.32 501	0.31 531	0.39 504	0.32 413	0.27 455	0.40 483	0.30 449	0.29 494	0.26 466	0.25 473	0.11 429	0.12 480	0.11 438	0.14 486	0.12 452	0.12 453

aanetorigin	0.22 456	0.17 484	0.56 529	0.17 216	0.10 341	0.15 304	0.19 402	0.20 229	0.33 420	0.49 530	0.48 510	0.29 440	0.27 477	0.20 409	0.23 451	0.08 300	0.07 379	0.08 278	0.07 272	0.10 414	0.09 387

MaskLacGwcNet_RVC	0.22 456	0.21 508	0.24 450	0.26 500	0.11 389	0.23 450	0.14 152	0.39 504	0.24 324	0.32 494	0.36 457	0.30 449	0.21 431	0.19 384	0.21 430	0.17 515	0.14 502	0.21 518	0.16 505	0.12 452	0.12 453

AF-Net	0.22 456	0.17 484	0.17 377	0.26 500	0.13 443	0.25 466	0.24 473	0.32 436	0.50 506	0.25 444	0.33 446	0.38 495	0.26 469	0.28 480	0.25 473	0.11 429	0.10 454	0.16 502	0.11 454	0.11 437	0.10 414

stereogan	0.22 456	0.11 396	0.21 431	0.20 410	0.12 420	0.31 500	0.19 402	0.35 479	0.44 488	0.22 410	0.39 477	0.35 484	0.27 477	0.33 500	0.22 439	0.10 400	0.12 480	0.10 407	0.10 422	0.14 483	0.13 472

edge stereo	0.22 456	0.13 443	0.20 423	0.21 439	0.13 443	0.23 450	0.16 284	0.32 436	0.42 478	0.32 494	0.40 483	0.38 495	0.35 513	0.25 464	0.24 464	0.13 477	0.11 466	0.14 484	0.11 454	0.12 452	0.13 472

RYNet	0.22 456	0.12 414	0.22 437	0.19 355	0.17 506	0.46 527	0.26 496	0.38 500	0.48 497	0.24 431	0.28 404	0.34 480	0.23 448	0.20 409	0.30 507	0.10 400	0.06 307	0.09 359	0.09 383	0.13 470	0.15 496

NaN_ROB	0.22 456	0.19 498	0.24 450	0.25 495	0.13 443	0.29 496	0.26 496	0.33 455	0.41 471	0.31 488	0.31 430	0.32 471	0.23 448	0.30 489	0.21 430	0.11 429	0.17 516	0.10 407	0.10 422	0.08 321	0.09 387

MDST_ROB	0.22 456	0.10 370	0.17 377	0.18 298	0.11 389	0.37 520	0.19 402	0.43 523	0.41 471	0.39 511	0.39 477	0.29 440	0.21 431	0.26 466	0.18 391	0.11 429	0.10 454	0.14 484	0.11 454	0.10 414	0.08 343

XPNet_ROB	0.22 456	0.11 396	0.19 411	0.22 454	0.13 443	0.22 437	0.19 402	0.34 464	0.40 468	0.30 482	0.39 477	0.39 503	0.26 469	0.26 466	0.28 499	0.15 494	0.10 454	0.10 407	0.10 422	0.13 470	0.12 453

SQANet	0.23 472	0.23 513	0.30 481	0.30 524	0.19 515	0.27 485	0.13 104	0.29 401	0.33 420	0.24 431	0.37 463	0.31 462	0.22 440	0.27 469	0.23 451	0.15 494	0.10 454	0.21 518	0.16 505	0.21 520	0.15 496

Nwc_Net	0.23 472	0.16 473	0.21 431	0.25 495	0.14 463	0.24 455	0.26 496	0.37 492	0.38 459	0.22 410	0.41 494	0.30 449	0.28 486	0.28 480	0.25 473	0.11 429	0.10 454	0.17 504	0.20 518	0.10 414	0.10 414

RTSC	0.23 472	0.12 414	0.28 470	0.21 439	0.13 443	0.28 492	0.16 284	0.35 479	0.66 538	0.27 455	0.33 446	0.30 449	0.21 431	0.31 490	0.29 502	0.10 400	0.08 405	0.09 359	0.10 422	0.13 470	0.13 472

PA-Net	0.23 472	0.18 495	0.33 489	0.28 515	0.22 523	0.21 429	0.38 540	0.29 401	0.39 462	0.22 410	0.32 434	0.25 405	0.26 469	0.20 409	0.25 473	0.09 359	0.23 535	0.15 496	0.22 523	0.09 382	0.13 472
Zhibo Rao, Mingyi He, Yuchao Dai, Zhelun Shen: Patch Attention Network with Generative Adversarial Model for Semi-Supervised Binocular Disparity Prediction.
NCCL2	0.23 472	0.15 465	0.17 377	0.34 529	0.18 512	0.24 455	0.23 461	0.34 464	0.28 382	0.31 488	0.38 469	0.38 495	0.28 486	0.23 450	0.24 464	0.15 494	0.12 480	0.18 513	0.21 520	0.13 470	0.13 472

ETE_ROB	0.23 472	0.17 484	0.22 437	0.25 495	0.13 443	0.26 475	0.29 518	0.31 425	0.36 445	0.28 470	0.36 457	0.45 517	0.26 469	0.27 469	0.26 484	0.11 429	0.08 405	0.12 457	0.09 383	0.14 483	0.13 472

SGM_RVC	0.23 472	0.12 414	0.15 315	0.15 70	0.09 239	0.33 507	0.18 363	0.34 464	0.31 406	0.44 525	0.37 463	0.53 532	0.35 513	0.35 509	0.24 464	0.13 477	0.13 493	0.13 472	0.13 483	0.10 414	0.11 440
Heiko Hirschmueller: Stereo processing by semiglobal matching and mutual information. TPAMI 2008, Volume 30(2), pp. 328-341
z-mn7	0.24 479	0.14 455	0.45 513	0.19 355	0.13 443	0.28 492	0.25 488	0.34 464	0.62 531	0.27 455	0.56 526	0.29 440	0.24 454	0.32 497	0.25 473	0.08 300	0.08 405	0.08 278	0.08 337	0.10 414	0.10 414

w-ln-seven	0.24 479	0.14 455	0.55 526	0.19 355	0.14 463	0.26 475	0.22 450	0.35 479	0.60 528	0.29 478	0.39 477	0.30 449	0.22 440	0.21 426	0.26 484	0.09 359	0.09 434	0.11 438	0.10 422	0.11 437	0.10 414

DGSMNet	0.24 479	0.19 498	0.33 489	0.21 439	0.24 527	0.24 455	0.20 423	0.35 479	0.41 471	0.24 431	0.32 434	0.38 495	0.21 431	0.29 486	0.23 451	0.12 454	0.11 466	0.14 484	0.16 505	0.23 524	0.23 529

G-Net	0.24 479	0.16 473	0.36 498	0.22 454	0.16 491	0.51 533	0.23 461	0.29 401	0.34 432	0.36 504	0.38 469	0.31 462	0.29 494	0.27 469	0.26 484	0.11 429	0.09 434	0.12 457	0.09 383	0.16 505	0.13 472

NCC-stereo	0.24 479	0.15 465	0.31 483	0.26 500	0.16 491	0.20 412	0.30 525	0.40 508	0.40 468	0.24 431	0.38 469	0.33 474	0.28 486	0.36 515	0.27 492	0.12 454	0.11 466	0.15 496	0.22 523	0.13 470	0.13 472

Abc-Net	0.24 479	0.15 465	0.31 483	0.26 500	0.16 491	0.20 412	0.30 525	0.40 508	0.40 468	0.24 431	0.38 469	0.33 474	0.28 486	0.36 515	0.27 492	0.12 454	0.11 466	0.15 496	0.22 523	0.13 470	0.13 472
Xing Li, Yangyu Fan, Guoyun Lv, and Haoyue Ma: Area-based Correlation and Non-local Attention Network for Stereo Matching. The Visual Computer
ADCL	0.24 479	0.11 396	0.47 518	0.22 454	0.12 420	0.34 510	0.29 518	0.29 401	0.56 519	0.24 431	0.46 507	0.30 449	0.30 498	0.29 486	0.29 502	0.08 300	0.07 379	0.09 359	0.09 383	0.10 414	0.10 414

DeepPrunerF	0.24 479	0.17 484	0.42 511	0.26 500	0.16 491	0.22 437	0.28 509	0.37 492	0.50 506	0.26 449	0.29 416	0.24 391	0.28 486	0.21 426	0.22 439	0.15 494	0.11 466	0.20 517	0.18 516	0.12 452	0.13 472

FBW_ROB	0.24 479	0.17 484	0.22 437	0.26 500	0.14 463	0.25 466	0.22 450	0.41 514	0.41 471	0.41 518	0.41 494	0.42 510	0.27 477	0.31 490	0.23 451	0.09 359	0.14 502	0.14 484	0.12 473	0.11 437	0.09 387

SANet	0.24 479	0.14 455	0.28 470	0.21 439	0.11 389	0.27 485	0.24 473	0.38 500	0.64 535	0.36 504	0.40 483	0.43 513	0.26 469	0.27 469	0.24 464	0.12 454	0.09 434	0.10 407	0.09 383	0.13 470	0.11 440

WCMA_ROB	0.24 479	0.11 396	0.22 437	0.17 216	0.14 463	0.32 501	0.15 219	0.32 436	0.32 413	0.38 509	0.53 517	0.40 507	0.34 511	0.34 503	0.25 473	0.11 429	0.12 480	0.12 457	0.10 422	0.14 483	0.14 489

zh-sn7	0.25 490	0.17 484	0.50 520	0.24 484	0.13 443	0.25 466	0.24 473	0.34 464	0.48 497	0.28 470	0.54 519	0.28 432	0.31 502	0.36 515	0.32 515	0.10 400	0.10 454	0.11 438	0.10 422	0.12 452	0.12 453

zh-mn7	0.25 490	0.14 455	0.56 529	0.19 355	0.14 463	0.24 455	0.22 450	0.34 464	0.62 531	0.35 501	0.65 534	0.31 462	0.25 463	0.31 490	0.25 473	0.09 359	0.08 405	0.09 359	0.09 383	0.09 382	0.11 440

Wz-Net-SNSev	0.25 490	0.17 484	0.44 512	0.25 495	0.14 463	0.26 475	0.23 461	0.38 500	0.56 519	0.30 482	0.55 521	0.39 503	0.26 469	0.23 450	0.30 507	0.10 400	0.09 434	0.09 359	0.10 422	0.11 437	0.11 440

psmorigin	0.25 490	0.15 465	0.34 497	0.17 216	0.13 443	0.23 450	0.14 152	0.34 464	0.33 420	0.41 518	0.55 521	0.41 509	0.37 517	0.34 503	0.27 492	0.11 429	0.15 508	0.11 438	0.11 454	0.12 452	0.16 507

RGC	0.25 490	0.20 502	0.29 478	0.28 515	0.16 491	0.22 437	0.23 461	0.32 436	0.44 488	0.27 455	0.40 483	0.38 495	0.27 477	0.36 515	0.22 439	0.11 429	0.13 493	0.17 504	0.17 512	0.14 483	0.16 507

ADCMid	0.25 490	0.15 465	0.40 506	0.20 410	0.14 463	0.25 466	0.26 496	0.34 464	0.38 459	0.36 504	0.44 505	0.34 480	0.40 523	0.35 509	0.33 519	0.10 400	0.09 434	0.11 438	0.11 454	0.13 470	0.12 453

ADCPNet	0.25 490	0.16 473	0.61 534	0.21 439	0.15 481	0.35 518	0.25 488	0.32 436	0.35 441	0.30 482	0.40 483	0.36 486	0.28 486	0.28 480	0.32 515	0.12 454	0.10 454	0.11 438	0.12 473	0.14 483	0.13 472

LALA_ROB	0.25 490	0.16 473	0.22 437	0.26 500	0.17 506	0.27 485	0.27 503	0.42 519	0.37 452	0.33 498	0.38 469	0.51 528	0.26 469	0.28 480	0.27 492	0.16 510	0.09 434	0.12 457	0.11 454	0.13 470	0.12 453

SHD	0.26 498	0.15 465	0.30 481	0.24 484	0.18 512	0.22 437	0.15 219	0.38 500	0.71 542	0.32 494	0.41 494	0.36 486	0.28 486	0.32 497	0.29 502	0.12 454	0.11 466	0.14 484	0.13 483	0.16 505	0.20 524

AnyNet_C32	0.26 498	0.16 473	0.36 498	0.20 410	0.16 491	0.25 466	0.30 525	0.32 436	0.44 488	0.31 488	0.49 511	0.30 449	0.33 507	0.40 530	0.33 519	0.12 454	0.12 480	0.12 457	0.14 486	0.14 483	0.15 496

PSMNet-RUCA	0.27 500	0.33 534	0.41 509	0.36 533	0.32 540	0.18 374	0.19 402	0.42 519	0.30 399	0.33 498	0.41 494	0.39 503	0.25 463	0.31 490	0.20 410	0.18 516	0.10 454	0.25 525	0.15 501	0.21 520	0.16 507

PDISCO_ROB	0.27 500	0.16 473	0.26 458	0.28 515	0.20 518	0.32 501	0.26 496	0.44 525	0.57 521	0.28 470	0.40 483	0.45 517	0.29 494	0.33 500	0.34 521	0.12 454	0.09 434	0.17 504	0.16 505	0.17 512	0.13 472

DispFullNet	0.27 500	0.21 508	0.65 537	0.28 515	0.16 491	0.26 475	0.17 318	0.33 455	0.58 524	0.27 455	0.38 469	0.43 513	0.23 448	0.38 522	0.23 451	0.12 454	0.06 307	0.19 515	0.11 454	0.21 520	0.15 496

MeshStereo	0.27 500	0.13 443	0.18 400	0.15 70	0.11 389	0.32 501	0.24 473	0.40 508	0.36 445	0.52 532	0.57 529	0.67 543	0.40 523	0.35 509	0.26 484	0.14 490	0.13 493	0.13 472	0.11 454	0.11 437	0.10 414
C. Zhang, Z. Li, Y. Cheng, R. Cai, H. Chao, Y. Rui: MeshStereo: A Global Stereo Model with Mesh Alignment Regularization for View Interpolation. ICCV 2015
WZ-Net	0.28 504	0.17 484	0.78 551	0.22 454	0.16 491	0.34 510	0.29 518	0.39 504	0.57 521	0.24 431	0.55 521	0.37 491	0.24 454	0.33 500	0.35 522	0.09 359	0.08 405	0.09 359	0.10 422	0.14 483	0.16 507

XQC	0.28 504	0.23 513	0.51 521	0.28 515	0.19 515	0.34 510	0.27 503	0.36 486	0.57 521	0.31 488	0.30 422	0.37 491	0.30 498	0.38 522	0.38 529	0.13 477	0.09 434	0.15 496	0.12 473	0.17 512	0.18 518

CC-Net-ROB	0.28 504	0.31 532	0.36 498	0.29 522	0.15 481	0.25 466	0.19 402	0.45 528	0.33 420	0.39 511	0.37 463	0.39 503	0.31 502	0.27 469	0.26 484	0.24 537	0.19 521	0.30 538	0.23 527	0.18 515	0.15 496

DPSNet	0.28 504	0.16 473	0.31 483	0.18 298	0.13 443	0.54 535	0.42 544	0.51 537	0.67 539	0.29 478	0.38 469	0.38 495	0.29 494	0.31 490	0.23 451	0.11 429	0.10 454	0.11 438	0.08 337	0.20 519	0.16 507

MultiAttention	0.29 508	0.08 236	0.14 264	0.19 355	0.12 420	1.45 571	1.33 572	0.36 486	0.37 452	0.19 357	0.21 305	0.24 391	0.11 224	0.38 522	0.18 391	0.06 114	0.05 182	0.08 278	0.08 337	0.10 414	0.09 387

Wz-Net-TNSev	0.29 508	0.20 502	0.65 537	0.19 355	0.15 481	0.38 523	0.27 503	0.35 479	0.55 516	0.34 500	0.42 500	0.45 517	0.38 518	0.32 497	0.30 507	0.12 454	0.13 493	0.10 407	0.12 473	0.15 498	0.14 489

ccnet	0.29 508	0.28 527	0.23 446	0.20 410	0.28 534	0.41 526	0.21 440	0.45 528	0.33 420	0.36 504	0.46 507	0.36 486	0.30 498	0.39 526	0.42 538	0.23 535	0.14 502	0.21 518	0.17 512	0.23 524	0.18 518

EDNetEfficient	0.29 508	0.24 516	1.13 560	0.18 298	0.10 341	0.19 397	0.20 423	0.20 229	0.60 528	0.74 549	0.56 526	0.31 462	0.39 520	0.22 439	0.30 507	0.09 359	0.07 379	0.08 278	0.07 272	0.11 437	0.09 387

ADCS	0.29 508	0.18 495	0.45 513	0.21 439	0.17 506	0.28 492	0.23 461	0.41 514	0.63 534	0.40 514	0.49 511	0.40 507	0.36 515	0.39 526	0.40 534	0.13 477	0.12 480	0.13 472	0.14 486	0.16 505	0.16 507

CSAN	0.29 508	0.24 516	0.27 465	0.34 529	0.19 515	0.33 507	0.42 544	0.37 492	0.50 506	0.38 509	0.40 483	0.44 515	0.33 507	0.28 480	0.30 507	0.20 523	0.16 511	0.19 515	0.19 517	0.14 483	0.15 496

MFN_U_SF_DS_RVC	0.30 514	0.24 516	0.29 478	0.36 533	0.16 491	0.34 510	0.30 525	0.32 436	0.42 478	0.40 514	0.46 507	0.38 495	0.31 502	0.34 503	0.28 499	0.19 521	0.20 524	0.26 526	0.29 536	0.18 515	0.19 523

GANetREF_RVC	0.31 515	0.34 535	0.27 465	0.35 531	0.16 491	0.32 501	0.41 541	0.48 532	0.51 513	0.35 501	0.35 454	0.34 480	0.33 507	0.39 526	0.32 515	0.27 539	0.20 524	0.29 536	0.15 501	0.18 515	0.17 515
Zhang, Feihu and Prisacariu, Victor and Yang, Ruigang and Torr, Philip HS: GA-Net: Guided Aggregation Net for End- to-end Stereo Matching. CVPR 2019
MSMD_ROB	0.31 515	0.26 522	0.26 458	0.24 484	0.21 521	0.34 510	0.25 488	0.34 464	0.39 462	0.40 514	0.69 538	0.45 517	0.40 523	0.34 503	0.27 492	0.20 523	0.19 521	0.26 526	0.25 529	0.23 524	0.22 528

MFN_U_SF_RVC	0.32 517	0.21 508	0.55 526	0.30 524	0.15 481	0.34 510	0.17 318	0.52 538	0.46 495	0.46 529	0.55 521	0.59 535	0.39 520	0.35 509	0.37 527	0.15 494	0.14 502	0.18 513	0.21 520	0.16 505	0.15 496

PASM	0.32 517	0.24 516	0.48 519	0.28 515	0.27 533	0.29 496	0.30 525	0.34 464	0.49 503	0.35 501	0.39 477	0.46 521	0.34 511	0.34 503	0.35 522	0.23 535	0.25 537	0.26 526	0.28 535	0.23 524	0.21 526

SGM-ForestM	0.32 517	0.12 414	0.16 349	0.16 142	0.11 389	0.39 524	0.19 402	0.41 514	0.50 506	0.52 532	0.54 519	1.32 562	0.42 531	0.40 530	0.27 492	0.14 490	0.16 511	0.16 502	0.16 505	0.12 452	0.12 453

FC-DCNN v2	0.33 520	0.27 523	0.28 470	0.26 500	0.23 525	0.37 520	0.28 509	0.40 508	0.43 483	0.45 526	0.56 526	0.51 528	0.40 523	0.37 520	0.29 502	0.21 527	0.20 524	0.27 529	0.26 530	0.25 531	0.24 530

FCDSN-DC	0.33 520	0.28 527	0.28 470	0.30 524	0.24 527	0.39 524	0.28 509	0.42 519	0.42 478	0.43 524	0.53 517	0.51 528	0.41 528	0.36 515	0.30 507	0.21 527	0.20 524	0.27 529	0.26 530	0.25 531	0.24 530
Dominik Hirner, Friedrich Fraundorfer: FCDSN-DC: An accurate but lightweight end-to-end trainable neural network for stereo estimation with depth completion.
FC-DCNN	0.33 520	0.27 523	0.28 470	0.26 500	0.23 525	0.37 520	0.28 509	0.40 508	0.43 483	0.45 526	0.55 521	0.51 528	0.40 523	0.37 520	0.30 507	0.21 527	0.20 524	0.27 529	0.26 530	0.25 531	0.24 530

LSM	0.33 520	0.20 502	0.58 532	0.26 500	0.60 557	0.34 510	0.25 488	0.42 519	0.48 497	0.45 526	0.58 531	0.42 510	0.36 515	0.35 509	0.25 473	0.12 454	0.20 524	0.14 484	0.16 505	0.19 518	0.33 544

AnyNet_C01	0.36 524	0.25 521	1.37 563	0.22 454	0.17 506	0.48 531	0.27 503	0.35 479	0.39 462	0.39 511	0.74 544	0.46 521	0.38 518	0.45 534	0.47 543	0.13 477	0.13 493	0.13 472	0.14 486	0.14 483	0.15 496

GCST	0.37 525	0.42 542	0.26 458	1.02 566	0.39 541	0.18 374	0.08 7	0.20 229	0.17 205	0.28 470	0.25 365	0.15 266	0.12 255	0.16 316	0.14 314	0.64 559	0.43 548	0.75 556	0.65 559	0.63 553	0.46 552

otaku	0.39 526	0.37 538	0.52 522	0.44 540	0.28 534	0.58 537	0.24 473	0.41 514	0.62 531	0.40 514	0.49 511	0.46 521	0.33 507	0.40 530	0.32 515	0.30 540	0.30 541	0.39 542	0.33 541	0.29 537	0.28 538

ACVNet-4b	0.39 526	0.53 545	0.55 526	0.45 541	0.24 527	0.47 529	0.18 363	0.49 534	0.64 535	0.42 521	0.45 506	0.60 536	0.27 477	0.34 503	0.24 464	0.33 542	0.14 502	0.48 545	0.42 545	0.30 538	0.26 537

PVD	0.39 526	0.20 502	0.39 505	0.31 528	0.22 523	0.29 496	0.43 546	0.52 538	0.96 556	0.55 535	0.79 548	0.53 532	0.59 546	0.52 540	0.38 529	0.19 521	0.14 502	0.17 504	0.14 486	0.24 530	0.31 542

Ntro	0.40 529	0.40 540	0.53 523	0.46 544	0.30 538	0.65 543	0.24 473	0.46 530	0.68 540	0.41 518	0.49 511	0.48 526	0.42 531	0.39 526	0.31 514	0.32 541	0.28 539	0.37 541	0.30 538	0.32 542	0.29 539

SAMSARA	0.40 529	0.28 527	0.33 489	0.55 547	0.39 541	0.82 557	1.23 571	0.47 531	0.51 513	0.36 504	0.35 454	0.55 534	0.39 520	0.38 522	0.39 531	0.15 494	0.20 524	0.15 496	0.14 486	0.23 524	0.20 524

ELAS_RVC	0.41 531	0.29 530	0.33 489	0.28 515	0.24 527	0.54 535	0.36 536	0.49 534	0.59 525	0.72 545	0.74 544	0.65 541	0.54 540	0.54 544	0.40 534	0.22 531	0.20 524	0.27 529	0.26 530	0.26 535	0.25 535
A. Geiger, M. Roser, R. Urtasun: Efficient large-scale stereo matching. ACCV 2010
ELAS	0.41 531	0.29 530	0.33 489	0.27 512	0.24 527	0.60 540	0.36 536	0.50 536	0.50 506	0.71 543	0.79 548	0.67 543	0.54 540	0.51 538	0.42 538	0.22 531	0.20 524	0.27 529	0.26 530	0.26 535	0.25 535
A. Geiger, M. Roser, R. Urtasun: Efficient large-scale stereo matching. ACCV 2010
MSC_U_SF_DS_RVC	0.43 533	0.39 539	0.54 524	0.40 536	0.20 518	0.64 542	0.32 533	0.53 540	0.72 543	0.71 543	0.72 541	0.61 537	0.54 540	0.51 538	0.46 542	0.20 523	0.19 521	0.29 536	0.30 538	0.23 524	0.18 518

ACVNet_1	0.44 534	0.49 544	0.60 533	0.45 541	0.28 534	0.49 532	0.27 503	0.57 545	0.72 543	0.62 538	0.58 531	0.74 547	0.49 537	0.50 537	0.35 522	0.26 538	0.24 536	0.39 542	0.29 536	0.31 541	0.24 530

Consistency-Raft	0.44 534	0.40 540	0.45 513	0.37 535	0.43 545	0.46 527	0.41 541	0.57 545	0.55 516	0.32 494	0.73 542	0.33 474	0.48 536	0.42 533	0.49 545	0.39 544	0.35 545	0.45 544	0.51 552	0.42 544	0.29 539

RTS	0.45 536	0.19 498	3.26 569	0.24 484	0.15 481	0.74 550	0.20 423	0.36 486	0.76 549	0.42 521	0.43 503	0.31 462	0.41 528	0.53 542	0.35 522	0.10 400	0.08 405	0.13 472	0.12 473	0.15 498	0.15 496

RTSA	0.45 536	0.19 498	3.26 569	0.24 484	0.15 481	0.74 550	0.20 423	0.36 486	0.76 549	0.42 521	0.43 503	0.31 462	0.41 528	0.53 542	0.35 522	0.10 400	0.08 405	0.13 472	0.12 473	0.15 498	0.15 496

MANE	0.45 536	0.27 523	0.27 465	0.27 512	0.24 527	0.47 529	0.31 531	0.55 542	0.59 525	0.72 545	1.13 564	1.15 556	0.61 547	0.52 540	0.37 527	0.21 527	0.20 524	0.27 529	0.31 540	0.25 531	0.24 530

NVStereoNet_ROB	0.46 539	0.36 537	0.46 517	0.41 538	0.28 534	0.34 510	0.34 534	0.48 532	0.60 528	0.72 545	0.93 553	0.70 546	0.66 550	0.47 535	0.60 552	0.22 531	0.33 544	0.34 540	0.34 543	0.30 538	0.30 541
Nikolai Smolyanskiy, Alexey Kamenev, Stan Birchfield: On the Importance of Stereo for Accurate Depth Estimation: An Efficient Semi-Supervised Deep Neural Network Approach. Arxiv
LE_ROB	0.50 540	0.07 139	0.14 264	0.15 70	0.08 127	0.24 455	0.16 284	0.22 274	1.81 572	4.63 575	0.67 536	0.47 524	0.44 533	0.20 409	0.29 502	0.07 239	0.06 307	0.06 102	0.06 185	0.08 321	0.06 199

BEATNet-Init1	0.52 541	0.27 523	0.62 535	0.30 524	0.21 521	0.76 554	0.29 518	0.54 541	0.65 537	0.86 554	0.95 555	2.07 571	0.62 549	0.56 546	0.42 538	0.18 516	0.18 518	0.23 523	0.22 523	0.22 523	0.21 526

anonymity	0.53 542	0.58 547	0.65 537	0.41 538	0.61 558	0.53 534	0.41 541	0.56 543	0.41 471	0.55 535	0.50 515	0.49 527	0.55 543	0.58 547	0.50 548	0.58 555	0.50 558	0.51 547	0.51 552	0.51 546	0.57 554

RainbowNet	0.54 543	0.61 549	0.70 549	0.57 548	0.43 545	0.65 543	0.37 539	0.60 547	0.87 553	0.50 531	0.66 535	0.64 539	0.47 535	0.49 536	0.43 541	0.47 550	0.48 554	0.52 549	0.41 544	0.52 547	0.40 549

SGM+DAISY	0.56 544	0.57 546	0.65 537	0.40 536	0.54 550	0.66 545	0.49 548	0.56 543	0.45 494	0.66 539	0.69 538	0.67 543	0.56 544	0.63 549	0.56 550	0.59 556	0.48 554	0.50 546	0.50 551	0.52 547	0.58 555

SPS-STEREO	0.57 545	0.58 547	0.65 537	0.45 541	0.55 552	0.62 541	0.44 547	0.62 548	0.50 506	0.68 541	0.64 533	0.66 542	0.57 545	0.61 548	0.60 552	0.62 558	0.47 553	0.51 547	0.49 549	0.55 551	0.58 555
K. Yamaguchi, D. McAllester, R. Urtasun: Efficient Joint Segmentation, Occlusion Labeling, Stereo and Flow Estimation. ECCV 2014
MFMNet_re	0.64 546	0.66 553	0.65 537	0.51 545	0.69 562	0.69 546	0.57 554	0.64 549	0.73 547	0.60 537	0.73 542	0.62 538	0.67 551	0.65 550	0.60 552	0.66 560	0.58 567	0.63 551	0.59 555	0.68 558	0.69 564

IMH-64-1	0.65 547	0.61 549	0.68 545	0.71 551	0.51 548	0.59 538	0.49 548	0.91 556	0.85 551	0.74 549	1.02 557	0.81 548	0.78 555	0.79 553	0.49 545	0.42 546	0.46 549	0.71 553	0.47 547	0.52 547	0.39 547

IMH-64	0.65 547	0.61 549	0.68 545	0.71 551	0.51 548	0.59 538	0.49 548	0.91 556	0.85 551	0.74 549	1.02 557	0.81 548	0.78 555	0.79 553	0.49 545	0.42 546	0.46 549	0.71 553	0.47 547	0.52 547	0.39 547

ACVNet_2	0.66 549	0.66 553	0.68 545	0.63 549	0.41 543	0.71 548	0.49 548	0.96 560	1.39 565	0.89 555	1.09 560	1.04 552	0.73 553	0.54 544	0.47 543	0.43 548	0.40 547	0.53 550	0.44 546	0.47 545	0.35 546

JetBlue	0.71 550	0.45 543	1.14 561	0.51 545	0.47 547	2.02 572	0.64 558	0.75 551	0.70 541	0.69 542	0.77 547	1.22 558	0.83 557	1.03 568	1.01 568	0.40 545	0.28 539	0.33 539	0.33 541	0.30 538	0.34 545

IMH	0.71 550	0.64 552	0.68 545	0.76 553	0.54 550	0.69 546	0.54 552	0.98 562	1.10 558	0.82 553	1.09 560	0.89 550	0.88 560	0.87 561	0.52 549	0.44 549	0.50 558	0.75 556	0.51 552	0.56 552	0.41 550

PWCK	0.71 550	0.94 564	0.95 558	0.76 553	0.31 539	0.74 550	0.36 536	0.90 555	0.90 554	0.96 558	0.75 546	0.95 551	0.61 547	0.87 561	0.66 555	0.72 561	0.46 549	0.75 556	0.49 549	0.69 560	0.44 551

MADNet+	0.75 553	0.71 555	3.70 572	0.66 550	0.41 543	0.98 562	0.97 569	0.69 550	0.73 547	0.52 532	0.57 529	0.64 539	0.68 552	0.86 560	1.01 568	0.34 543	0.36 546	0.28 535	0.23 527	0.36 543	0.31 542

TorneroNet-64	0.76 554	0.72 556	0.74 550	0.78 555	0.58 556	0.91 561	0.56 553	0.84 554	1.29 562	0.66 539	0.90 551	1.40 564	0.75 554	0.85 559	0.67 558	0.49 551	0.46 549	0.72 555	0.59 555	0.67 557	0.53 553

WAO-7	0.79 555	0.78 558	0.54 524	0.85 559	0.67 561	0.74 550	0.68 562	1.05 565	1.32 563	0.90 556	1.20 567	1.04 552	0.92 561	0.69 551	0.66 555	0.60 557	0.62 568	0.67 552	0.68 561	0.64 554	0.58 555

WAO-6	0.81 556	0.80 559	0.62 535	0.86 560	0.63 559	0.76 554	0.58 555	0.98 562	1.54 570	0.90 556	0.96 556	1.07 554	1.03 565	0.70 552	0.66 555	0.72 561	0.49 556	0.90 564	0.71 562	0.68 558	0.58 555

TorneroNet	0.82 557	0.74 557	0.81 555	0.84 558	0.63 559	0.99 563	0.63 556	0.96 560	1.16 559	0.80 552	1.11 562	1.36 563	0.86 559	0.93 564	0.80 563	0.56 553	0.49 556	0.78 561	0.66 560	0.73 563	0.63 563

LVE	0.83 558	0.85 562	0.85 556	0.80 556	0.56 553	1.04 567	0.65 559	1.05 565	1.47 568	0.96 558	1.22 568	1.10 555	0.85 558	0.83 556	0.71 560	0.49 551	0.55 564	0.76 559	0.60 557	0.65 555	0.59 560

Dean	0.87 559	0.86 563	0.79 553	0.81 557	0.56 553	0.90 558	0.63 556	1.15 571	1.73 571	1.15 566	1.15 565	1.31 561	0.99 564	0.81 555	0.81 564	0.57 554	0.56 565	0.77 560	0.64 558	0.66 556	0.58 555

WAO-8	0.91 560	0.81 560	0.65 537	0.94 563	0.69 562	0.90 558	0.67 560	1.07 568	1.83 573	1.06 563	1.45 570	1.30 559	1.07 566	0.84 557	0.78 561	0.74 563	0.53 561	0.86 562	0.75 563	0.69 560	0.62 561

Venus	0.91 560	0.81 560	0.65 537	0.94 563	0.69 562	0.90 558	0.67 560	1.07 568	1.83 573	1.06 563	1.45 570	1.30 559	1.07 566	0.84 557	0.78 561	0.74 563	0.53 561	0.86 562	0.75 563	0.69 560	0.62 561

UNDER WATER-64	0.95 562	0.94 564	1.43 565	0.87 561	0.56 553	1.18 570	0.87 566	0.77 552	0.94 555	1.04 561	0.85 550	1.58 569	1.21 571	0.94 565	0.96 566	0.87 567	0.57 566	1.03 567	0.88 568	0.78 564	0.73 565

UNDER WATER	0.97 563	0.97 566	1.42 564	0.99 565	0.70 565	1.12 569	0.84 565	0.80 553	1.08 557	1.01 560	0.90 551	1.55 568	1.22 572	1.03 568	1.00 567	0.78 565	0.53 561	1.02 566	0.87 567	0.80 565	0.74 566

notaker	0.97 563	1.11 567	0.98 559	1.13 568	0.81 566	0.73 549	0.68 562	0.93 558	1.16 559	1.18 568	1.18 566	1.41 565	1.16 570	1.08 570	0.69 559	0.81 566	0.64 569	1.17 568	0.79 565	0.98 567	0.80 568

ktn	1.01 565	1.21 569	0.80 554	1.23 570	0.86 568	1.01 565	0.87 566	0.94 559	1.39 565	1.04 561	1.12 563	1.15 556	1.07 566	0.94 565	0.59 551	1.28 572	0.71 570	1.38 572	0.83 566	1.02 569	0.75 567

KSHMR	1.09 566	1.17 568	0.88 557	1.25 571	1.00 570	0.99 563	0.96 568	1.13 570	1.37 564	1.16 567	1.29 569	1.41 565	0.96 563	1.01 567	0.92 565	1.03 570	1.08 572	1.20 569	1.03 571	1.01 568	0.97 570

DPSimNet_ROB	1.11 567	1.23 570	0.78 551	1.13 568	0.88 569	1.10 568	1.13 570	1.16 572	1.23 561	1.43 570	1.02 557	1.41 565	1.10 569	0.90 563	1.60 570	1.46 573	0.51 560	1.21 570	1.03 571	0.90 566	1.01 572

HanzoNet	1.29 568	1.26 571	1.19 562	1.12 567	0.85 567	1.02 566	0.83 564	1.03 564	1.48 569	1.64 571	1.61 572	2.50 573	1.72 573	1.61 572	1.61 571	1.26 571	0.80 571	1.31 571	1.01 570	1.02 569	0.86 569

JetRed	1.62 569	1.46 572	2.98 567	0.92 562	1.21 571	4.99 575	1.53 574	1.27 573	1.39 565	1.83 572	1.74 573	1.60 570	0.95 562	1.41 571	2.45 575	0.90 569	1.60 573	0.93 565	0.90 569	1.35 571	0.99 571

MADNet++	1.95 570	1.75 573	1.59 566	1.82 572	1.69 573	2.33 573	1.40 573	2.35 574	2.09 575	2.57 574	2.36 575	2.24 572	2.17 574	2.28 573	2.34 573	1.87 574	1.66 574	1.54 573	1.34 573	1.92 572	1.77 574

coex-ft	3.30 571	0.34 535	59.09 593	0.18 298	0.13 443	0.26 475	0.22 450	0.27 371	0.72 543	1.90 573	0.70 540	0.44 515	0.45 534	0.29 486	0.41 537	0.09 359	0.09 434	0.12 457	0.09 383	0.14 483	0.13 472

TCMNet-wrong-test	3.67 572	5.48 582	3.89 573	12.18 584	11.75 585	4.65 574	3.88 575	1.06 567	0.72 543	1.09 565	2.15 574	6.30 578	0.53 539	3.43 575	2.36 574	0.89 568	0.20 524	1.87 575	1.69 574	5.57 580	3.62 580

tt	4.67 573	0.06 56	3.55 571	2.02 573	1.55 572	10.25 579	16.71 579	8.91 583	5.03 576	1.31 569	0.94 554	4.71 574	4.76 575	3.33 574	5.87 577	6.06 582	10.30 586	1.88 576	2.11 576	2.75 574	1.21 573

USTest	6.22 574	2.73 575	3.00 568	6.57 580	7.29 579	14.37 581	21.57 580	7.00 582	9.56 581	5.34 578	6.10 576	5.72 577	7.64 578	6.41 579	6.96 578	1.97 575	3.42 580	1.64 574	2.15 577	2.66 573	2.36 575

xxxxx1	7.79 575	5.02 579	7.31 576	3.12 574	3.85 575	16.35 583	22.88 581	5.86 579	8.69 578	7.97 579	8.54 577	9.12 581	8.27 579	10.18 581	10.92 579	2.42 576	2.45 576	3.56 579	12.37 583	3.77 575	3.06 577

tt_ll	7.79 575	5.02 579	7.31 576	3.12 574	3.85 575	16.35 583	22.88 581	5.86 579	8.69 578	7.97 579	8.54 577	9.12 581	8.27 579	10.18 581	10.92 579	2.42 576	2.45 576	3.56 579	12.37 583	3.77 575	3.06 577

ff	7.79 575	5.02 579	7.31 576	3.12 574	3.85 575	16.35 583	22.88 581	5.86 579	8.69 578	7.97 579	8.54 577	9.12 581	8.27 579	10.18 581	10.92 579	2.42 576	2.45 576	3.56 579	12.37 583	3.77 575	3.06 577

EDNetEfficientorigin	7.91 578	0.31 532	153.02 594	0.19 355	0.09 239	0.21 429	0.16 284	0.22 274	0.59 525	0.72 545	0.67 536	0.42 510	0.50 538	0.24 459	0.39 531	0.08 300	0.07 379	0.08 278	0.07 272	0.12 452	0.10 414

DPSMNet_ROB	8.06 579	4.48 577	8.63 582	5.37 579	10.74 582	8.32 577	22.98 585	5.46 576	13.36 584	5.12 576	9.92 580	5.08 575	10.40 582	5.53 578	12.58 582	3.80 580	8.00 581	3.50 577	7.02 580	3.83 578	7.14 582

DGTPSM_ROB	8.06 579	4.48 577	8.63 582	5.35 577	10.72 581	8.32 577	22.97 584	5.46 576	13.35 583	5.12 576	9.92 580	5.08 575	10.40 582	5.52 577	12.58 582	3.79 579	8.00 581	3.50 577	7.02 580	3.83 578	7.14 582

PML	8.91 581	9.34 586	6.13 574	5.35 577	6.41 578	14.99 582	23.38 586	5.27 575	6.83 577	18.04 587	28.19 593	7.67 579	6.83 577	7.85 580	5.75 576	5.35 581	1.83 575	5.95 585	1.93 575	8.64 583	2.52 576

DLNR_Zeroshot_test	10.40 582	1.82 574	19.49 589	120.77 594	13.11 586	0.06 8	0.13 104	0.23 294	0.10 36	0.07 30	0.10 117	0.09 123	0.06 36	0.10 61	0.09 54	0.13 477	0.04 21	0.06 102	0.04 34	51.54 593	0.04 40

LRCNet_RVC	10.62 583	13.42 587	7.30 575	18.92 586	2.07 574	0.33 507	0.30 525	5.59 578	0.48 497	13.03 585	17.94 586	8.87 580	5.65 576	4.79 576	1.89 572	23.51 591	2.73 579	27.55 592	25.71 592	16.07 589	16.33 590

Anonymous_1	10.96 584	7.92 583	7.46 579	10.33 581	10.06 580	18.65 587	26.34 587	11.06 584	13.44 585	9.40 582	10.05 582	9.67 584	11.23 584	10.73 584	12.72 584	6.42 583	8.38 583	5.77 582	10.61 582	12.12 584	6.77 581

DPSM_ROB	11.15 585	8.58 584	8.00 580	10.88 582	11.58 583	19.10 588	26.71 588	12.05 585	14.07 586	10.36 583	10.84 583	10.33 585	11.86 585	11.70 585	13.54 585	6.99 584	8.79 584	5.89 583	6.95 578	7.29 581	7.42 584

DPSM	11.15 585	8.58 584	8.00 580	10.88 582	11.58 583	19.10 588	26.71 588	12.05 585	14.07 586	10.36 583	10.84 583	10.33 585	11.86 585	11.70 585	13.54 585	6.99 584	8.79 584	5.89 583	6.95 578	7.29 581	7.42 584

HaxPig	15.71 587	18.52 592	19.18 588	16.89 585	15.89 587	7.73 576	7.60 576	13.31 587	10.82 582	15.42 586	14.91 585	15.98 587	14.92 587	15.58 587	15.98 587	18.95 590	16.73 587	19.46 590	18.08 590	19.26 590	19.05 591

MEDIAN_ROB	20.38 588	24.04 593	23.31 590	21.23 587	21.71 588	10.40 580	7.92 577	17.64 588	15.50 588	20.12 588	19.70 587	20.34 588	20.32 588	21.19 588	21.13 588	23.81 592	21.81 592	24.98 591	23.76 591	24.71 591	23.93 592

CasAABBNet	22.42 589	17.33 589	16.01 584	22.01 588	23.28 590	38.32 590	53.80 592	24.14 590	28.41 591	20.60 589	21.77 589	20.89 591	23.91 591	23.43 589	27.36 591	14.07 587	17.69 589	11.83 588	14.01 587	14.67 586	14.95 588

FlowAnything	22.44 590	17.35 590	16.14 586	22.07 590	23.23 589	38.39 591	53.77 591	24.25 591	28.44 592	20.96 592	21.82 590	20.70 589	23.84 589	23.49 590	27.14 590	14.04 586	17.79 591	11.75 586	14.15 589	14.65 585	14.89 586

Selective-RAFT-Error	22.47 591	17.37 591	16.09 585	22.06 589	23.34 591	38.39 591	53.83 593	24.29 593	28.47 593	20.74 590	21.83 591	20.81 590	23.90 590	23.54 592	27.53 593	14.08 588	17.69 589	11.82 587	14.00 586	14.69 587	15.00 589

LSM0	22.87 592	17.28 588	18.96 587	22.19 591	29.04 593	38.42 593	53.71 590	24.28 592	28.31 590	20.78 591	21.00 588	21.43 592	24.16 592	23.50 591	27.39 592	14.09 589	17.38 588	11.84 589	14.04 588	14.73 588	14.89 586

AVERAGE_ROB	24.90 593	29.20 594	28.14 591	24.89 592	24.64 592	17.75 586	11.12 578	21.45 589	19.93 589	25.12 593	24.46 592	25.12 593	25.46 593	24.69 593	22.83 589	29.76 593	27.13 593	28.97 593	27.95 593	29.91 592	29.47 593

test_example2	98.32 594	94.13 595	45.89 592	96.35 593	109.85 594	88.61 594	95.45 594	25.75 594	94.37 594	130.00 595	126.06 594	58.17 594	74.63 594	88.51 594	79.96 594	150.23 594	221.02 594	77.62 594	99.10 594	113.75 594	96.94 594

ccccc		285.66 596		368.85 595	370.60 595	123.16 595		115.05 595		126.68 594		122.83 595		252.94 595		384.56 595	353.86 595	254.69 595	223.00 595	425.87 595

ASD4		3.38 576

Low-res two-view benchmark